Chilean prosecutor’s office Data merge

Obtain the database

We recoded the region to lower letters for Metropolitan Region sectors. Additionally, we generated the _simple columns with the dates with a more common format.

library(readxl)
base_fiscalia_orig <- read_excel(gsub("/SUD_CL/Fiscalia_merge.Rmd","/BASE.xlsx",rstudioapi::getSourceEditorContext()$path), 
    sheet = "BASE", skip = 4, guess_max = min(1000000, Inf)) %>% janitor::clean_names() %>% 
  dplyr::mutate(gls_region=dplyr::case_when(gls_region=="REGION METROPOLITANA CENTRO NORTE"~ "RM Centro Norte",
                                            gls_region=="REGION METROPOLITANA OCCIDENTE"~ "RM Occidente",
                                            gls_region=="REGION METROPOLITANA ORIENTE"~ "RM Oriente",
                                            gls_region=="REGION METROPOLITANA SUR"~ "RM Sur",
                                            T~gls_region)) %>% 
  dplyr::mutate(region_delito=dplyr::case_when(region_delito=="REGION METROPOLITANA CENTRO NORTE"~ "RM Centro Norte",
                                            region_delito=="REGION METROPOLITANA OCCIDENTE"~ "RM Occidente",
                                            region_delito=="REGION METROPOLITANA ORIENTE"~ "RM Oriente",
                                            region_delito=="REGION METROPOLITANA SUR"~ "RM Sur",
                                            T~region_delito)) %>% 
  dplyr::mutate(fec_comision_simple=as.Date(stringr::str_extract(as.character(fec_comision), "^.{10}"))) %>% 
  dplyr::mutate(fec_cbiorelacion_simple=as.Date(stringr::str_extract(as.character(fec_cbiorelacion), "^.{10}"))) %>%
  dplyr::mutate(termino_relacion_simple=as.Date(stringr::str_extract(as.character(termino_relacion), "^.{10}")))
   


library(readxl)
Base_fiscalia_v2 <- read_excel(gsub("/SUD_CL/Fiscalia_merge.Rmd","/Base_v3_dic_2021.xlsx",rstudioapi::getSourceEditorContext()$path), sheet = "Base", skip = 4, guess_max = min(1000000, Inf))%>% janitor::clean_names() %>% 
  dplyr::mutate(gls_region=dplyr::case_when(gls_region=="REGION METROPOLITANA CENTRO NORTE"~ "RM Centro Norte",
                                            gls_region=="REGION METROPOLITANA OCCIDENTE"~ "RM Occidente",
                                            gls_region=="REGION METROPOLITANA ORIENTE"~ "RM Oriente",
                                            gls_region=="REGION METROPOLITANA SUR"~ "RM Sur",
                                            T~gls_region)) %>% 
  dplyr::mutate(region_delito=dplyr::case_when(region_delito=="REGION METROPOLITANA CENTRO NORTE"~ "RM Centro Norte",
                                            region_delito=="REGION METROPOLITANA OCCIDENTE"~ "RM Occidente",
                                            region_delito=="REGION METROPOLITANA ORIENTE"~ "RM Oriente",
                                            region_delito=="REGION METROPOLITANA SUR"~ "RM Sur",
                                            T~region_delito)) %>% 
  dplyr::mutate(fec_comision_simple=as.Date(stringr::str_extract(as.character(fec_comision), "^.{10}")))%>% 
  dplyr::mutate(fec_cbiorelacion_simple=as.Date(stringr::str_extract(as.character(fec_cbiorelacion), "^.{10}")))%>%
  dplyr::mutate(fec_nacimiento_simple=as.Date(stringr::str_extract(as.character(fec_nacimiento), "^.{10}")))%>%
  dplyr::mutate(termino_relacion_simple=as.Date(stringr::str_extract(as.character(termino_relacion), "^.{10}")))%>% 
  dplyr::rename("marca_suspension_43"="marca_suspension_46","marca_pena_44"="marca_pena_47","marca_multa_45"="marca_multa_48","medida_alternativa_46"="medida_alternativa_49","clasificacion_pena_47"="clasificacion_pena_50","tramos_condena_48"="tramos_condena","clasificacion_penarpa_1_49"="clasificacion_penarpa_1_52","clasificacion_penarpa_2_50"="clasificacion_penarpa_2_53","marca_suspension_51"="marca_suspension_54","marca_pena_52"="marca_pena_55","marca_multa_53"="marca_multa_56","medida_alternativa_54"="medida_alternativa_57","clasificacion_pena_55"="clasificacion_pena_58","tramos_condena_56"="tramos_condena_2","clasificacion_penarpa_1_57"="clasificacion_penarpa_1_60","clasificacion_penarpa_2_58"="clasificacion_penarpa_2_61")%>% 
    dplyr::mutate(edad_comision=(unclass(fec_comision_simple)-unclass(fec_nacimiento_simple))/365.25,
                  edad_ter_rel=(unclass(termino_relacion_simple)-unclass(fec_nacimiento_simple))/365.25)


ifelse(nrow(base_fiscalia_orig)==nrow(Base_fiscalia_v2),"There are no differences in the length of the databases","There are differences in the length of the databases")

## [1] "There are no differences in the length of the databases"

paste0("The original database had only missing rows in 'tramos_condena_48' and 'clasificacion_penarpa_1_49'")

## [1] "The original database had only missing rows in 'tramos_condena_48' and 'clasificacion_penarpa_1_49'"

names_comparison<-
data.frame(db1=names(Base_fiscalia_v2)) %>% 
  dplyr::full_join(cbind.data.frame(db1=names(base_fiscalia_orig),db2=names(base_fiscalia_orig)), by="db1")

#comp_data<-diff_data(base_fiscalia_orig,Base_fiscalia_v2,id=c("rut_enc_saf ","rut_enc_saf"))
#V8 FATAL ERROR in CALL_AND_RETRY_LAST ===== C stack trace ======

library(compareGroups)

base_fiscalia<-
  base_fiscalia_orig

no_mostrar=1
if(no_mostrar==0){
CONS_C1_df_dup_SEP_2020_match<-
  CONS_C1_df_dup_SEP_2020 %>% 
  dplyr::filter(dup==1) %>% #, tipo_de_plan_2 %in% c("PG-PR","M-PR","PG-PAI","M-PAI","PG-PAB","M-PAB")
  dplyr::mutate(tipo_de_plan_res=dplyr::case_when(grepl("PR",as.character(tipo_de_plan_2))~1,
                                                  grepl("PAI",as.character(tipo_de_plan_2))~0,
                                                  grepl("PAB",as.character(tipo_de_plan_2))~0,
                                                  TRUE~NA_real_)) %>% 
  dplyr::mutate(tipo_de_plan_res=factor(tipo_de_plan_res)) %>% 
  dplyr::mutate(abandono_temprano_rec=factor(if_else(as.character(motivodeegreso_mod_imp)=="Early Drop-out",TRUE,FALSE,NA))) %>% 
  dplyr::mutate(dg_trs_cons_sus_or=factor(if_else(as.character(dg_trs_cons_sus_or)=="Drug dependence",TRUE,FALSE,NA))) %>% 
  dplyr::mutate(tipo_centro_pub=factor(if_else(as.character(tipo_centro)=="Public",TRUE,FALSE,NA))) %>% 
  dplyr::mutate(condicion_ocupacional_corr=factor(condicion_ocupacional_corr),cat_ocupacional_corr=factor(cat_ocupacional_corr)) %>% 
  dplyr::mutate(dg_trs_fis_rec=factor(dplyr::case_when(as.character(diagnostico_trs_fisico)=="En estudio"~"Diagnosis unknown (under study)",as.character(diagnostico_trs_fisico)=="Sin trastorno"~'Without physical comorbidity',cnt_diagnostico_trs_fisico>0 ~'With physical comorbidity',
                                             TRUE~NA_character_)))%>%
    dplyr::mutate(escolaridad_rec=parse_factor(as.character(escolaridad_rec),levels=c('3-Completed primary school or less', '2-Completed high school or less', '1-More than high school'), ordered=T,trim_ws=T,include_na =F, locale=locale(encoding = "Latin1"))) %>%   
dplyr::mutate(freq_cons_sus_prin=parse_factor(as.character(freq_cons_sus_prin),levels=c('Did not use', 'Less than 1 day a week','2 to 3 days a week','4 to 6 days a week','1 day a week or more','Daily'), ordered =T,trim_ws=T,include_na =F, locale=locale(encoding = "UTF-8"))) %>% 
  dplyr::mutate(evaluacindelprocesoteraputico=dplyr::case_when(grepl("1",as.character(evaluacindelprocesoteraputico))~'1-High Achievement',grepl("2",as.character(evaluacindelprocesoteraputico))~'2-Medium Achievement',grepl("3",as.character(evaluacindelprocesoteraputico))~'3-Minimum Achievement', TRUE~as.character(evaluacindelprocesoteraputico))) %>% 
  dplyr::mutate(evaluacindelprocesoteraputico=parse_factor(as.character(evaluacindelprocesoteraputico),levels=c('1-High Achievement', '2-Medium Achievement','3-Minimum Achievement'), ordered =T,trim_ws=T,include_na =F, locale=locale(encoding = "UTF-8"))) %>% 
  dplyr::select_(.dots = match.on_tot) %>% 
  dplyr::mutate(more_one_treat=factor(ifelse(duplicates_filtered>1,1,0))) %>% 
  data.table::data.table()
#attr(CONS_C1_df_dup_SEP_2020_match$sus_ini_mod_mvv,"label")<-"Starting Substance"
}

invisible("Comentarios")

#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:
#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:
kableone <- function(x, caption=NULL, col.names=NA, smd=T, test=T, varLabels=T, noSpaces=T, printToggle=T, dropEqual=F, ...) {
  capture.output(x <- print(x, smd=T, test=test, varLabels=varLabels,noSpaces=noSpaces, printToggle=printToggle, dropEqual=dropEqual, ...))
  knitr::kable(x,format= "html", format.args= list(decimal.mark= ".", big.mark= ","),
               caption= caption, col.names= col.names)
}
as.data.frame.TableOne <- function(x, ...) {
    capture.output(print(x, showAllLevels = TRUE, test=T, varLabels=T,...) -> x)
    y <- as.data.frame(x)
    y$characteristic <- na_if(rownames(x), "")
    y <- y %>%
        #fill(characteristic, .direction = "down") %>%
        dplyr::select(characteristic, everything())
    rownames(y) <- NULL
    y 
}
#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:
#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:#:

options(knitr.kable.NA = '')

## 
cat("Vector of variables to summarize")

## Vector of variables to summarize

#obtener las columnas así nos permite descartar nombres errróneos
myVars <-dput(names(dplyr::select(base_fiscalia, -c("rut_enc_saf","ruc","idrelacion","cod_delito","cod_lugarocurrencia","cod_parentescoimputado","cod_mottermino","cod_motsuspension","cod_proctermino","idsujeto_imputado","idsujeto_victima","impcod_tiposujeto","cod_lugarocurrencia","cod_sitiosuceso","cod_comunadelito","cod_region","iddelito"))))

## c("encontrado_como_victima", "encontrado_como_imputado", "tipo_sujeto_vic", 
## "gls_tipo_sujeto_vic", "reg", "gls_region", "tipo_termino", "agrupa_terminos", 
## "gls_materia", "familia_delito", "relacion_vifsaf", "gls_parentesco", 
## "gls_mottermino", "gls_motsuspension", "gls_proctermino", "gls_tipo_imputado", 
## "fec_comision", "termino_relacion", "lugar_ocurrencia", "gls_sitiosuceso", 
## "gls_comuna", "region_delito", "fec_cbiorelacion", "medidas_155", 
## "medidas_pp", "medidas_ip", "marca_suspension_43", "marca_pena_44", 
## "marca_multa_45", "medida_alternativa_46", "clasificacion_pena_47", 
## "tramos_condena_48", "clasificacion_penarpa_1_49", "clasificacion_penarpa_2_50", 
## "marca_suspension_51", "marca_pena_52", "marca_multa_53", "medida_alternativa_54", 
## "clasificacion_pena_55", "tramos_condena_56", "clasificacion_penarpa_1_57", 
## "clasificacion_penarpa_2_58", "fec_comision_simple", "fec_cbiorelacion_simple", 
## "termino_relacion_simple")

cat("Vector of categorical variables that need transformation")

## Vector of categorical variables that need transformation

catVars <- dput(names(dplyr::select(base_fiscalia,c("encontrado_como_victima", "encontrado_como_imputado", "gls_tipo_sujeto_vic", "gls_region","tipo_termino","reg", "agrupa_terminos","gls_materia","familia_delito","relacion_vifsaf","gls_parentesco","gls_mottermino","gls_motsuspension","gls_proctermino","gls_tipo_imputado","lugar_ocurrencia","gls_sitiosuceso","gls_comuna","region_delito","medidas_155","medidas_pp","medidas_ip","marca_suspension_43","marca_pena_44","marca_multa_45","medida_alternativa_46","clasificacion_pena_47","tramos_condena_48","clasificacion_penarpa_1_49","clasificacion_penarpa_2_50","marca_suspension_51","marca_pena_52","marca_multa_53","medida_alternativa_54","clasificacion_pena_55","tramos_condena_56","clasificacion_penarpa_1_57","clasificacion_penarpa_2_58"))))

## c("encontrado_como_victima", "encontrado_como_imputado", "gls_tipo_sujeto_vic", 
## "gls_region", "tipo_termino", "reg", "agrupa_terminos", "gls_materia", 
## "familia_delito", "relacion_vifsaf", "gls_parentesco", "gls_mottermino", 
## "gls_motsuspension", "gls_proctermino", "gls_tipo_imputado", 
## "lugar_ocurrencia", "gls_sitiosuceso", "gls_comuna", "region_delito", 
## "medidas_155", "medidas_pp", "medidas_ip", "marca_suspension_43", 
## "marca_pena_44", "marca_multa_45", "medida_alternativa_46", "clasificacion_pena_47", 
## "tramos_condena_48", "clasificacion_penarpa_1_49", "clasificacion_penarpa_2_50", 
## "marca_suspension_51", "marca_pena_52", "marca_multa_53", "medida_alternativa_54", 
## "clasificacion_pena_55", "tramos_condena_56", "clasificacion_penarpa_1_57", 
## "clasificacion_penarpa_2_58")

myVars_nva <-dput(names(dplyr::select(Base_fiscalia_v2, -c("rut_enc_saf","ruc","idrelacion","cod_delito","fec_nacimiento","cod_lugarocurrencia","cod_parentescoimputado","cod_mottermino","cod_motsuspension","cod_proctermino","idsujeto_imputado","idsujeto_victima","impcod_tiposujeto","cod_lugarocurrencia","cod_sitiosuceso","cod_comunadelito","cod_region"))))

## c("pais", "sexo", "encontrado_como_victima", "encontrado_como_imputado", 
## "tipo_sujeto_vic", "gls_tipo_sujeto_vic", "reg", "gls_region", 
## "tipo_termino", "agrupa_terminos", "gls_materia", "familia_delito", 
## "relacion_vifsaf", "gls_parentesco", "gls_mottermino", "gls_motsuspension", 
## "gls_proctermino", "gls_tipo_imputado", "iddelito", "fec_comision", 
## "termino_relacion", "lugar_ocurrencia", "gls_sitiosuceso", "gls_comuna", 
## "region_delito", "fec_cbiorelacion", "medidas_155", "medidas_pp", 
## "medidas_ip", "marca_suspension_43", "marca_pena_44", "marca_multa_45", 
## "medida_alternativa_46", "clasificacion_pena_47", "tramos_condena_48", 
## "clasificacion_penarpa_1_49", "clasificacion_penarpa_2_50", "marca_suspension_51", 
## "marca_pena_52", "marca_multa_53", "medida_alternativa_54", "clasificacion_pena_55", 
## "tramos_condena_56", "clasificacion_penarpa_1_57", "clasificacion_penarpa_2_58", 
## "fec_comision_simple", "fec_cbiorelacion_simple", "fec_nacimiento_simple", 
## "termino_relacion_simple", "edad_comision", "edad_ter_rel")

catVars_bd_nva <- dput(names(dplyr::select(Base_fiscalia_v2,c("encontrado_como_victima", "encontrado_como_imputado", "gls_tipo_sujeto_vic", "gls_region","tipo_termino","pais", "sexo","reg", "agrupa_terminos","gls_materia","familia_delito","relacion_vifsaf","gls_parentesco","gls_mottermino","gls_motsuspension","gls_proctermino","gls_tipo_imputado","lugar_ocurrencia","gls_sitiosuceso","gls_comuna","region_delito","medidas_155","medidas_pp","medidas_ip","marca_suspension_43","marca_pena_44","marca_multa_45","medida_alternativa_46","clasificacion_pena_47","tramos_condena_48","clasificacion_penarpa_1_49","clasificacion_penarpa_2_50","marca_suspension_51","marca_pena_52","marca_multa_53","medida_alternativa_54","clasificacion_pena_55","tramos_condena_56","clasificacion_penarpa_1_57","clasificacion_penarpa_2_58"))))

## c("encontrado_como_victima", "encontrado_como_imputado", "gls_tipo_sujeto_vic", 
## "gls_region", "tipo_termino", "pais", "sexo", "reg", "agrupa_terminos", 
## "gls_materia", "familia_delito", "relacion_vifsaf", "gls_parentesco", 
## "gls_mottermino", "gls_motsuspension", "gls_proctermino", "gls_tipo_imputado", 
## "lugar_ocurrencia", "gls_sitiosuceso", "gls_comuna", "region_delito", 
## "medidas_155", "medidas_pp", "medidas_ip", "marca_suspension_43", 
## "marca_pena_44", "marca_multa_45", "medida_alternativa_46", "clasificacion_pena_47", 
## "tramos_condena_48", "clasificacion_penarpa_1_49", "clasificacion_penarpa_2_50", 
## "marca_suspension_51", "marca_pena_52", "marca_multa_53", "medida_alternativa_54", 
## "clasificacion_pena_55", "tramos_condena_56", "clasificacion_penarpa_1_57", 
## "clasificacion_penarpa_2_58")

tab2 <- as.data.frame.TableOne(CreateTableOne(vars = myVars, data = base_fiscalia[,myVars], factorVars = catVars, smd=T, strata="encontrado_como_imputado", addOverall = T, includeNA=T,test=T), smd=T)%>% 
  dplyr::mutate(char2=characteristic) %>% 
  tidyr::fill(char2) %>% 
  dplyr::select(char2,everything()) %>% 
  dplyr::mutate(level=ifelse(is.na(level),"[Missing]",level))

## Warning in ModuleReturnVarsExist(vars, data): These variables only have NA/
## NaN: tramos_condena_48 clasificacion_penarpa_1_49 clasificacion_penarpa_2_50
## tramos_condena_56 clasificacion_penarpa_1_57 clasificacion_penarpa_2_58 Dropped

## Warning in ModuleReturnVarsExist(factorVars, data): These variables only have
## NA/NaN: tramos_condena_48 clasificacion_penarpa_1_49 clasificacion_penarpa_2_50
## tramos_condena_56 clasificacion_penarpa_1_57 clasificacion_penarpa_2_58 Dropped

## Warning in CreateTableOne(vars = myVars, data = base_fiscalia[, myVars], : Dropping variable(s) fec_comision termino_relacion fec_cbiorelacion fec_comision_simple fec_cbiorelacion_simple termino_relacion_simple  due to unsupported class.

tab2 %>%
      dplyr::select(-characteristic) %>% 
    # dplyr::full_join(tab2b, by=c("char2",c("level"="level2"))) %>% 
    # dplyr::select(-char2,-characteristic.x,-level) %>% 
    # dplyr::select(characteristic.y, level.y,  everything()) %>% 
#fec_nacimiento_simple
kable(size=11, format="html",caption= "Table 1. Summary descriptives, by accused status",smd=T, test=T, varLabels=T,noSpaces=T, printToggle=T, dropEqual=F, col.names=c("Variable ","Level",rep(c("Total (%)","No", "Yes", "p-value","test", "SMD"),1)))%>%
  #kableExtra::add_header_above(c("First attempt" = 3, "Second attempt" = 1), bold=T) %>%
  kableExtra::kable_classic(bootstrap_options = c("striped", "hover","condensed"),font_size= 10) %>%
  row_spec(1, bold=T, italic=T,color="black",hline_after=T,extra_latex_after="\\arrayrulecolor{white}",font_size= 11) %>%
  kableExtra::add_footnote(c("Note. Continuous variables are presented as Medians and Percentiles 25 and 75 were shown;", "Categorical variables are presented as number (%)"), notation = "none")%>%
  kableExtra::scroll_box(width = "100%", height = "375px")

Table 1. Summary descriptives, by accused status

Variable	Level	Total (%)	No	Yes	p-value	test	SMD
n		568297	191165	377132
encontrado_como_victima (%)	NO	376766 ( 66.3)	0 ( 0.0)	376766 ( 99.9)	<0.001		45.374
encontrado_como_victima (%)	SI	191531 ( 33.7)	191165 (100.0)	366 ( 0.1)
encontrado_como_imputado (%)	NO	191165 ( 33.6)	191165 (100.0)	0 ( 0.0)	<0.001		NaN
encontrado_como_imputado (%)	SI	377132 ( 66.4)	0 ( 0.0)	377132 (100.0)
tipo_sujeto_vic (%)	1	306 ( 0.1)	0 ( 0.0)	306 ( 0.1)	<0.001		0.325
tipo_sujeto_vic (%)	15	226 ( 0.0)	0 ( 0.0)	226 ( 0.1)
tipo_sujeto_vic (%)	19	330 ( 0.1)	0 ( 0.0)	330 ( 0.1)
tipo_sujeto_vic (%)	2	2 ( 0.0)	0 ( 0.0)	2 ( 0.0)
tipo_sujeto_vic (%)	3	13 ( 0.0)	0 ( 0.0)	13 ( 0.0)
tipo_sujeto_vic (%)	5	4 ( 0.0)	0 ( 0.0)	4 ( 0.0)
tipo_sujeto_vic (%)	6	549362 ( 96.7)	191165 (100.0)	358197 ( 95.0)
tipo_sujeto_vic (%)	8	1 ( 0.0)	0 ( 0.0)	1 ( 0.0)
tipo_sujeto_vic (%)	[Missing]	18053 ( 3.2)	0 ( 0.0)	18053 ( 4.8)
gls_tipo_sujeto_vic (%)	ABOGADO QUERELLANTE	1 ( 0.0)	0 ( 0.0)	1 ( 0.0)	<0.001		0.325
gls_tipo_sujeto_vic (%)	DENUNCIADO	2 ( 0.0)	0 ( 0.0)	2 ( 0.0)
gls_tipo_sujeto_vic (%)	DENUNCIANTE	306 ( 0.1)	0 ( 0.0)	306 ( 0.1)
gls_tipo_sujeto_vic (%)	IMPUTADO	13 ( 0.0)	0 ( 0.0)	13 ( 0.0)
gls_tipo_sujeto_vic (%)	QUERELLANTE	4 ( 0.0)	0 ( 0.0)	4 ( 0.0)
gls_tipo_sujeto_vic (%)	TESTIGO	226 ( 0.0)	0 ( 0.0)	226 ( 0.1)
gls_tipo_sujeto_vic (%)	VICTIMA	549362 ( 96.7)	191165 (100.0)	358197 ( 95.0)
gls_tipo_sujeto_vic (%)	VICTIMA 108i.2	330 ( 0.1)	0 ( 0.0)	330 ( 0.1)
gls_tipo_sujeto_vic (%)	[Missing]	18053 ( 3.2)	0 ( 0.0)	18053 ( 4.8)
reg (%)	1	18031 ( 3.2)	4600 ( 2.4)	13431 ( 3.6)	<0.001		0.127
reg (%)	2	27310 ( 4.8)	7555 ( 4.0)	19755 ( 5.2)
reg (%)	3	17703 ( 3.1)	5478 ( 2.9)	12225 ( 3.2)
reg (%)	4	23089 ( 4.1)	7920 ( 4.1)	15169 ( 4.0)
reg (%)	5	55411 ( 9.8)	17762 ( 9.3)	37649 ( 10.0)
reg (%)	6	33609 ( 5.9)	11260 ( 5.9)	22349 ( 5.9)
reg (%)	7	30211 ( 5.3)	9809 ( 5.1)	20402 ( 5.4)
reg (%)	8	38601 ( 6.8)	12733 ( 6.7)	25868 ( 6.9)
reg (%)	9	15566 ( 2.7)	5911 ( 3.1)	9655 ( 2.6)
reg (%)	10	19387 ( 3.4)	6445 ( 3.4)	12942 ( 3.4)
reg (%)	11	5383 ( 0.9)	2013 ( 1.1)	3370 ( 0.9)
reg (%)	12	5201 ( 0.9)	1962 ( 1.0)	3239 ( 0.9)
reg (%)	14	78621 ( 13.8)	27199 ( 14.2)	51422 ( 13.6)
reg (%)	15	44119 ( 7.8)	14124 ( 7.4)	29995 ( 8.0)
reg (%)	16	63855 ( 11.2)	23122 ( 12.1)	40733 ( 10.8)
reg (%)	17	63921 ( 11.2)	23836 ( 12.5)	40085 ( 10.6)
reg (%)	18	8453 ( 1.5)	2961 ( 1.5)	5492 ( 1.5)
reg (%)	19	13991 ( 2.5)	4569 ( 2.4)	9422 ( 2.5)
reg (%)	20	5835 ( 1.0)	1906 ( 1.0)	3929 ( 1.0)
gls_region (%)	I Región de Tarapaca	18031 ( 3.2)	4600 ( 2.4)	13431 ( 3.6)	<0.001		0.127
gls_region (%)	II Región de Antofagasta	27310 ( 4.8)	7555 ( 4.0)	19755 ( 5.2)
gls_region (%)	III Región de Atacama	17703 ( 3.1)	5478 ( 2.9)	12225 ( 3.2)
gls_region (%)	IV Región de Coquimbo	23089 ( 4.1)	7920 ( 4.1)	15169 ( 4.0)
gls_region (%)	IX Región de la Araucanía	15566 ( 2.7)	5911 ( 3.1)	9655 ( 2.6)
gls_region (%)	RM Centro Norte	78621 ( 13.8)	27199 ( 14.2)	51422 ( 13.6)
gls_region (%)	RM Occidente	63855 ( 11.2)	23122 ( 12.1)	40733 ( 10.8)
gls_region (%)	RM Oriente	44119 ( 7.8)	14124 ( 7.4)	29995 ( 8.0)
gls_region (%)	RM Sur	63921 ( 11.2)	23836 ( 12.5)	40085 ( 10.6)
gls_region (%)	V Región de Valparaíso	55411 ( 9.8)	17762 ( 9.3)	37649 ( 10.0)
gls_region (%)	VI Región del Libertador Gral. Bernardo O Higgins	33609 ( 5.9)	11260 ( 5.9)	22349 ( 5.9)
gls_region (%)	VII Región del Maule	30211 ( 5.3)	9809 ( 5.1)	20402 ( 5.4)
gls_region (%)	VIII Región del Bio Bio	38601 ( 6.8)	12733 ( 6.7)	25868 ( 6.9)
gls_region (%)	X Región de los Lagos	19387 ( 3.4)	6445 ( 3.4)	12942 ( 3.4)
gls_region (%)	XI Región Aysen del Gral. Carlos Ibañez del Campo	5383 ( 0.9)	2013 ( 1.1)	3370 ( 0.9)
gls_region (%)	XII Región de Magallanes y de la Antartica Chilena	5201 ( 0.9)	1962 ( 1.0)	3239 ( 0.9)
gls_region (%)	XIV Región de los Rios	8453 ( 1.5)	2961 ( 1.5)	5492 ( 1.5)
gls_region (%)	XV Región de Arica y Parinacota	13991 ( 2.5)	4569 ( 2.4)	9422 ( 2.5)
gls_region (%)	XVI Región del Ñuble	5835 ( 1.0)	1906 ( 1.0)	3929 ( 1.0)
tipo_termino (%)	OTROS T¿RMINOS	32066 ( 5.6)	12081 ( 6.3)	19985 ( 5.3)	<0.001		0.570
tipo_termino (%)	SALIDA JUDICIAL	305696 ( 53.8)	68548 ( 35.9)	237148 ( 62.9)
tipo_termino (%)	SALIDA NO JUDICIAL	230514 ( 40.6)	110534 ( 57.8)	119980 ( 31.8)
tipo_termino (%)	[Missing]	21 ( 0.0)	2 ( 0.0)	19 ( 0.0)
agrupa_terminos (%)	ACUERDO REPARATORIO	13679 ( 2.4)	2926 ( 1.5)	10753 ( 2.9)	<0.001		0.966
agrupa_terminos (%)	AGRUPACI¿N A OTRO CASO	28280 ( 5.0)	11361 ( 5.9)	16919 ( 4.5)
agrupa_terminos (%)	ANULACI¿N ADMINISTRATIVA	1608 ( 0.3)	368 ( 0.2)	1240 ( 0.3)
agrupa_terminos (%)	ARCHIVO PROVISIONAL	149674 ( 26.3)	87494 ( 45.8)	62180 ( 16.5)
agrupa_terminos (%)	DECISI¿N DE NO PERSEVERAR	33205 ( 5.8)	9942 ( 5.2)	23263 ( 6.2)
agrupa_terminos (%)	FACULTAD PARA NO INVESTIGAR	42251 ( 7.4)	26158 ( 13.7)	16093 ( 4.3)
agrupa_terminos (%)	INCOMPETENCIA	2433 ( 0.4)	968 ( 0.5)	1465 ( 0.4)
agrupa_terminos (%)	OTRAS CAUSALES DE SUSPENSI¿N	918 ( 0.2)	77 ( 0.0)	841 ( 0.2)
agrupa_terminos (%)	OTRAS CAUSALES DE T¿RMINO	1260 ( 0.2)	275 ( 0.1)	985 ( 0.3)
agrupa_terminos (%)	PRINCIPIO DE OPORTUNIDAD	45202 ( 8.0)	12130 ( 6.3)	33072 ( 8.8)
agrupa_terminos (%)	SENTENCIA DEFINITIVA ABSOLUTORIA	11852 ( 2.1)	2898 ( 1.5)	8954 ( 2.4)
agrupa_terminos (%)	SENTENCIA DEFINITIVA CONDENATORIA	157189 ( 27.7)	18790 ( 9.8)	138399 ( 36.7)
agrupa_terminos (%)	SOBRESEIMIENTO DEFINITIVO	28288 ( 5.0)	6697 ( 3.5)	21591 ( 5.7)
agrupa_terminos (%)	SOBRESEIMIENTO DEFINITIVO 240	44628 ( 7.9)	9547 ( 5.0)	35081 ( 9.3)
agrupa_terminos (%)	SOBRESEIMIENTO TEMPORAL	657 ( 0.1)	143 ( 0.1)	514 ( 0.1)
agrupa_terminos (%)	SUSPENSI¿N CONDICIONAL DEL PROCEDIMIENTO	7152 ( 1.3)	1389 ( 0.7)	5763 ( 1.5)
agrupa_terminos (%)	[Missing]	21 ( 0.0)	2 ( 0.0)	19 ( 0.0)
gls_materia (%)	ABANDONO DE ARMAS O ELEMENTOS SUJETAS A CONTROL. ART. 14 A.	8 ( 0.0)	4 ( 0.0)	4 ( 0.0)	<0.001		1.286
gls_materia (%)	ABANDONO DE CÓNYUGE O DE PARIENTES ENFERMOS. ART. 352.	13 ( 0.0)	6 ( 0.0)	7 ( 0.0)
gls_materia (%)	ABANDONO DE NIÑOS	41 ( 0.0)	1 ( 0.0)	40 ( 0.0)
gls_materia (%)	ABANDONO O MALTRATO ANIMAL ART.291 BIS.	205 ( 0.0)	92 ( 0.0)	113 ( 0.0)
gls_materia (%)	ABIGEATO	251 ( 0.0)	97 ( 0.1)	154 ( 0.0)
gls_materia (%)	ABORTO COMETIDO POR FACULTATIVO POR CAUSALES NO REGULADAS	1 ( 0.0)	1 ( 0.0)	0 ( 0.0)
gls_materia (%)	ABORTO CONSENTIDO POR CAUSLAES N/REGULADAS ART 342 N 3 Y 344	21 ( 0.0)	7 ( 0.0)	14 ( 0.0)
gls_materia (%)	ABORTO SIN CONSENTIMIENTO	17 ( 0.0)	15 ( 0.0)	2 ( 0.0)
gls_materia (%)	ABUSO DE FIRMA EN BLANCO	8 ( 0.0)	6 ( 0.0)	2 ( 0.0)
gls_materia (%)	ABUSO SEX C/CONTACTO CORP. A MENOR DE 14 AÑOS ART 366 BIS	1061 ( 0.2)	121 ( 0.1)	940 ( 0.2)
gls_materia (%)	ABUSO SEX MAYOR 14/MENOR 18 CON CIRCUNS ESTUPRO ART 366 INC2	181 ( 0.0)	76 ( 0.0)	105 ( 0.0)
gls_materia (%)	ABUSO SEX MAYOR DE 14 AÑOS POR SORPRESA Y/O S/CONSENTIM. ART	1 ( 0.0)	1 ( 0.0)	0 ( 0.0)
gls_materia (%)	ABUSO SEX. S/CONTAC MAYOR 14 MENOR 18 ART 366 QUAT INC 3,4,5	314 ( 0.1)	116 ( 0.1)	198 ( 0.1)
gls_materia (%)	ABUSO SEX. S/CONTACTO CORP. MENOR 14 ART 366 QUAT. INC 1 Y 2	603 ( 0.1)	75 ( 0.0)	528 ( 0.1)
gls_materia (%)	ABUSO SEXUAL ADULTO	4 ( 0.0)	2 ( 0.0)	2 ( 0.0)
gls_materia (%)	ABUSO SEXUAL CALIFICADO (CON OBJETOS O ANIMALES)ART.365 BIS	36 ( 0.0)	23 ( 0.0)	13 ( 0.0)
gls_materia (%)	ABUSO SEXUAL DE MAYOR DE 14 (CON CIRC. DE VIOLACIÓN) ART 366	955 ( 0.2)	622 ( 0.3)	333 ( 0.1)
gls_materia (%)	ABUSOS CONTRA PARTICULARES	2 ( 0.0)	1 ( 0.0)	1 ( 0.0)
gls_materia (%)	ABUSOS CONTRA PARTICULARES.ARTS. 255.	320 ( 0.1)	311 ( 0.2)	9 ( 0.0)
gls_materia (%)	ACCESO, DIVULG.Y USO INDEB.INF.GENÉTICA CON OCASIÓN TRAT.ADN	1 ( 0.0)	1 ( 0.0)	0 ( 0.0)
gls_materia (%)	ACCIDENTE CON RESUL. MUERTE O LES.GRAVES ART.196 C LEY 18290	475 ( 0.1)	283 ( 0.1)	192 ( 0.1)
gls_materia (%)	ADQ. O ALMACENAMIENTO MAT.PORNOGRÁFICO INF.ART.374 BIS INC 2	19 ( 0.0)	7 ( 0.0)	12 ( 0.0)
gls_materia (%)	ALLANAMIENTOS IRREGULARES	11 ( 0.0)	11 ( 0.0)	0 ( 0.0)
gls_materia (%)	AMENAZA A FISCAL O DEFENSOR EN DESEMP. DE FUNC. ART 268 QUIN	10 ( 0.0)	2 ( 0.0)	8 ( 0.0)
gls_materia (%)	AMENAZA CON ARMA (FALTA) ART. 494 Nº4 CÓDIGO PENAL	1723 ( 0.3)	637 ( 0.3)	1086 ( 0.3)
gls_materia (%)	AMENAZA GENDARME EN DESEMP. DE FUNC. ART 15 D DL 2589	214 ( 0.0)	28 ( 0.0)	186 ( 0.0)
gls_materia (%)	AMENAZAR U OFENDER A FUNC DE INVESTIGACIONES. ART. 17 quáter	110 ( 0.0)	12 ( 0.0)	98 ( 0.0)
gls_materia (%)	AMENAZAS A CARABINEROS	1564 ( 0.3)	29 ( 0.0)	1535 ( 0.4)
gls_materia (%)	AMENAZAS CONDIC. CONTRA PERSONAS Y PROP. ART. 296 1 y 2, 297	8342 ( 1.5)	2879 ( 1.5)	5463 ( 1.4)
gls_materia (%)	AMENAZAS DE ATENTADOS CONTRA PERSONAS Y PROPIEDADES	1308 ( 0.2)	298 ( 0.2)	1010 ( 0.3)
gls_materia (%)	AMENAZAS SIMPLES CONTRA PERSONAS Y PROPIEDADES ART. 296 Nº3.	81517 ( 14.3)	28137 ( 14.7)	53380 ( 14.2)
gls_materia (%)	APERTURA, REG. O INTERCEPTACIÓN DE CORRESP. ART.146 Y 156	15 ( 0.0)	4 ( 0.0)	11 ( 0.0)
gls_materia (%)	APREMIOS ILEG. COMETIDOS POR EMPL. PÚBLICOS. (ART. 150 D)	283 ( 0.0)	282 ( 0.1)	1 ( 0.0)
gls_materia (%)	APREMIOS ILEGÍTIMOS CON CUASIDELITO (ART. 150 E N° 3)	6 ( 0.0)	5 ( 0.0)	1 ( 0.0)
gls_materia (%)	APROPIACIÓN Y DISTRACCIÓN DE COTIZACIONES PREVISIONALES	918 ( 0.2)	804 ( 0.4)	114 ( 0.0)
gls_materia (%)	APROPIACIÓN DE CABLES DE TENDIDO ELÉC.O DE COM.ART.443 INC 2	42 ( 0.0)	28 ( 0.0)	14 ( 0.0)
gls_materia (%)	APROPIACIÓN INDEBIDA (INCL. DEPOSITARIO ALZADO) ART.470 Nº1	733 ( 0.1)	248 ( 0.1)	485 ( 0.1)
gls_materia (%)	APROPIACION INDEBIDA ART.470 N°1	4302 ( 0.8)	1561 ( 0.8)	2741 ( 0.7)
gls_materia (%)	ARROJAMIENTO DE PIEDRAS U OTROS OBJETOS (496 Nº26 Cód.Penal)	253 ( 0.0)	23 ( 0.0)	230 ( 0.1)
gls_materia (%)	ASOCIACION ILICITA ART. 28 LEY 19.913	4 ( 0.0)	2 ( 0.0)	2 ( 0.0)
gls_materia (%)	ASOCIACIONES ILÍCITAS LEY DE DROGAS ART. 16 LEY Nº 20.000.	13 ( 0.0)	0 ( 0.0)	13 ( 0.0)
gls_materia (%)	ASOCIACIONES ILÍCITAS. ARTS. 292 AL 295 BIS.	16 ( 0.0)	1 ( 0.0)	15 ( 0.0)
gls_materia (%)	ATENTADO A VEH.MOT. EN CIRC. CON OBJ.CONTUNDENTE U OTRO SEM.	107 ( 0.0)	26 ( 0.0)	81 ( 0.0)
gls_materia (%)	ATENTADO CONTRA JEFE DE ESTADO O AUT. PÚB. ART.2 Nº3 L.18314	5 ( 0.0)	0 ( 0.0)	5 ( 0.0)
gls_materia (%)	ATENTADO EXPLOSIVO O INCENDIARIO	4 ( 0.0)	2 ( 0.0)	2 ( 0.0)
gls_materia (%)	ATENTADOS Y AMENAZAS CONTRA LA AUTORIDAD. ART. 261 Nº1 Y 264	252 ( 0.0)	26 ( 0.0)	226 ( 0.1)
gls_materia (%)	AUXILIO AL SUICIDIO	13 ( 0.0)	13 ( 0.0)	0 ( 0.0)
gls_materia (%)	BIGAMIA	1 ( 0.0)	0 ( 0.0)	1 ( 0.0)
gls_materia (%)	CALUMNIA (ACCIÓN PRIVADA). ART. 412 AL 415.	14 ( 0.0)	8 ( 0.0)	6 ( 0.0)
gls_materia (%)	CASTRACIÓN Y MUTILACIÓN	1 ( 0.0)	0 ( 0.0)	1 ( 0.0)
gls_materia (%)	CAUSAR LA MUERTE FUNC PDI ART. 17 LOC PDI	2 ( 0.0)	0 ( 0.0)	2 ( 0.0)
gls_materia (%)	CAZA Y COMERCIALIZACIÓN DE ESPECIES PROH. (Art.31 Ley 19473)	7 ( 0.0)	0 ( 0.0)	7 ( 0.0)
gls_materia (%)	CELEBRACIÓN DE CONTRATO SIMULADO. ART. 471 Nº 2.	5 ( 0.0)	4 ( 0.0)	1 ( 0.0)
gls_materia (%)	COHECHO COMETIDO POR EMPLEADO PÚBLICO ART 248, 248 BIS Y 249	59 ( 0.0)	6 ( 0.0)	53 ( 0.0)
gls_materia (%)	COHECHO O SOBORNO COMETIDO POR PARTICULAR. ART. 250	24 ( 0.0)	0 ( 0.0)	24 ( 0.0)
gls_materia (%)	COMERCIALIZACIÓN MAT. PORNOGRÁFICO ELAB.UTIL. MEN.DE 18 AÑOS	1 ( 0.0)	1 ( 0.0)	0 ( 0.0)
gls_materia (%)	COMERCIO CLANDESTINO	10 ( 0.0)	0 ( 0.0)	10 ( 0.0)
gls_materia (%)	CONDUC BAJO INFLUENCIA DEL ALCOHOL ART.196 C LEY 18290 TRÁNS	3 ( 0.0)	1 ( 0.0)	2 ( 0.0)
gls_materia (%)	CONDUC EBRIDAD C/LESIONS MENOS GRAVESART196 INC2 LEY TRAN	111 ( 0.0)	21 ( 0.0)	90 ( 0.0)
gls_materia (%)	CONDUC EBRIEDAD C/LESIONS GRAVES ART 196 INC2LEY TRANS	143 ( 0.0)	45 ( 0.0)	98 ( 0.0)
gls_materia (%)	CONDUC EBRIEDAD C/LESIONS GRAVÍSIMAS ART196 INC3LEY TRANS	22 ( 0.0)	5 ( 0.0)	17 ( 0.0)
gls_materia (%)	CONDUC EBRIEDAD C/RESULT MUERTE ART196INC3 LEY TRANSITO	29 ( 0.0)	5 ( 0.0)	24 ( 0.0)
gls_materia (%)	CONDUC EBRIEDAD C/SUSP LICENCIA ART 196,209 LEY TRANSITO	215 ( 0.0)	5 ( 0.0)	210 ( 0.1)
gls_materia (%)	CONDUC. BAJO LA INFLUENCIA DEL ALCOHOL CAUSANDO LES.MEN.GRAV	86 ( 0.0)	20 ( 0.0)	66 ( 0.0)
gls_materia (%)	CONDUC. INFLUENCIA ALCOHOL CAUSANDO LES.GRAVÍSIMAS O MUERTE	16 ( 0.0)	7 ( 0.0)	9 ( 0.0)
gls_materia (%)	CONDUCC. INF. ALCOHOL CON O SIN DAÑO O LES. LEVE 193 INC 1	1045 ( 0.2)	81 ( 0.0)	964 ( 0.3)
gls_materia (%)	CONDUCCIÓN BAJO LA INFLUENCIA DEL ALCOHOL CAUSANDO LES.GRAV	111 ( 0.0)	27 ( 0.0)	84 ( 0.0)
gls_materia (%)	CONDUCCIÓN EBRIEDAD CON O SIN DAÑO O LES. LEVE 196 INC. 1	9057 ( 1.6)	533 ( 0.3)	8524 ( 2.3)
gls_materia (%)	CONDUCCIÓN ESTADO DE EBRIEDAD CON RESULTADO DE DAÑOS.	637 ( 0.1)	94 ( 0.0)	543 ( 0.1)
gls_materia (%)	CONDUCCIÓN ESTADO DE EBRIEDAD CON RESULTADO DE LESIONES.	921 ( 0.2)	283 ( 0.1)	638 ( 0.2)
gls_materia (%)	CONDUCCIÓN ESTADO DE EBRIEDAD CON RESULTADO DE MUERTE	79 ( 0.0)	6 ( 0.0)	73 ( 0.0)
gls_materia (%)	CONDUCCIÓN SIN LA LICENCIA DEBIDA ART 196 D LEY 18.290	1451 ( 0.3)	15 ( 0.0)	1436 ( 0.4)
gls_materia (%)	CONDUCIR INFL ALCOHOL CAUSANDO LES GRAVÍSIMAS ART 193 INC 4	1 ( 0.0)	0 ( 0.0)	1 ( 0.0)
gls_materia (%)	CONDUCIR INFL ALCOHOL CAUSANDO MUERTE. ART 193 INC 4	3 ( 0.0)	0 ( 0.0)	3 ( 0.0)
gls_materia (%)	CONDUCIR VEHICULO CON SANCIÓN VIGENTE. ART.209 LEY 18.290.	310 ( 0.1)	0 ( 0.0)	310 ( 0.1)
gls_materia (%)	CONNIVENCIA FUGA Y EVASIÓN CULPABLE DETENIDO ART. 299 A 304	5 ( 0.0)	0 ( 0.0)	5 ( 0.0)
gls_materia (%)	CONSUMO DE BEBIDAS ALCOHÓLICAS EN LA VÍA PÚBLICA	2 ( 0.0)	0 ( 0.0)	2 ( 0.0)
gls_materia (%)	CONSUMO DE DROGAS (ART. 41)	36 ( 0.0)	0 ( 0.0)	36 ( 0.0)
gls_materia (%)	CONSUMO/PORTE DE DROGAS EN LUGARES CALIFICADOS (ART.51)	5191 ( 0.9)	5 ( 0.0)	5186 ( 1.4)
gls_materia (%)	CONSUMO/PORTE EN LUG. PÚB.O PRIV. CON PREV.CONCIERTO(ART.50)	22344 ( 3.9)	12 ( 0.0)	22332 ( 5.9)
gls_materia (%)	CONTRA SALUD PÚBLICA. ARTS. 313 D AL 315 y ART. 317.	7 ( 0.0)	1 ( 0.0)	6 ( 0.0)
gls_materia (%)	CONTRA SALUD PUBLICA. ARTS. 313 A Y 313 B	8 ( 0.0)	4 ( 0.0)	4 ( 0.0)
gls_materia (%)	CONTRA SALUD PÚBLICA. ARTS. 313 AL 318.	9 ( 0.0)	2 ( 0.0)	7 ( 0.0)
gls_materia (%)	CONTRABANDO DE ESPECIES EXÓTICAS (ART. 11, LEY 20.962)	1 ( 0.0)	0 ( 0.0)	1 ( 0.0)
gls_materia (%)	CONTRABANDO. INFRACCIÓN A ORDZA ADUANAS ART 168 LEY 20780	133 ( 0.0)	0 ( 0.0)	133 ( 0.0)
gls_materia (%)	CORTE DESTR. ARBOLES RGMTO ART. 21 DCTO.4363 1931 Y L. BOSQ.	4 ( 0.0)	1 ( 0.0)	3 ( 0.0)
gls_materia (%)	CUASIDELITO DE HOMICIDIO COMETIDO POR PROFES. DE LA SALUD	18 ( 0.0)	16 ( 0.0)	2 ( 0.0)
gls_materia (%)	CUASIDELITO DE HOMICIDIO. CÓDIGO AGRUPADOR. ART. 492 INC. 2º	233 ( 0.0)	118 ( 0.1)	115 ( 0.0)
gls_materia (%)	CUASIDELITO DE LESIONES COMETIDOS POR PROFES. DE LA SALUD	29 ( 0.0)	27 ( 0.0)	2 ( 0.0)
gls_materia (%)	CUASIDELITO DE LESIONES. ART 490, 491 INC 2° Y 492.	3515 ( 0.6)	1832 ( 1.0)	1683 ( 0.4)
gls_materia (%)	CUASIDELITO VEHICULO MOTORIZADO LEY TRANSITO	74 ( 0.0)	39 ( 0.0)	35 ( 0.0)
gls_materia (%)	CULTIVO/COSECHA ESPEC. VEGETALES PRODUCTORAS ESTUPEF (ART.8)	630 ( 0.1)	9 ( 0.0)	621 ( 0.2)
gls_materia (%)	DAÑO FALTA (495 N° 21 Código Penal)	1895 ( 0.3)	471 ( 0.2)	1424 ( 0.4)
gls_materia (%)	DAÑOS A MONUMENTOS NACIONALES ART.38 LEY 17.288	1 ( 0.0)	1 ( 0.0)	0 ( 0.0)
gls_materia (%)	DAÑOS CALIFICADOS. ART. 485 Y 486	434 ( 0.1)	128 ( 0.1)	306 ( 0.1)
gls_materia (%)	DAÑOS O APROPIACIÓN SOBRE MONUM. NAC. ART. 38-38 BIS L.17288	17 ( 0.0)	2 ( 0.0)	15 ( 0.0)
gls_materia (%)	DAÑOS SIMPLES. ART. 487.	14896 ( 2.6)	4701 ( 2.5)	10195 ( 2.7)
gls_materia (%)	DECLARACION MALICIOSA IMPSTOS 97N4(EXCEPTO INC3)COD TRIB	1 ( 0.0)	0 ( 0.0)	1 ( 0.0)
gls_materia (%)	DEJAR ANIMALES SUELTOS (496 Nº 17 Código Penal)	311 ( 0.1)	187 ( 0.1)	124 ( 0.0)
gls_materia (%)	DELITO DESÓRDENES PÚBLICOS ART. 269 (NO FALTA DEL CÓD 13035)	2488 ( 0.4)	36 ( 0.0)	2452 ( 0.7)
gls_materia (%)	DELITOS C/ LA LIBERTAD AMBULATORIA Y DERECHO DE ASOCIACIÓN	1 ( 0.0)	0 ( 0.0)	1 ( 0.0)
gls_materia (%)	DELITOS C/ LA VIDA Y PRIVACIDAD DE CONVERSACIONES 161 A Y B	30 ( 0.0)	17 ( 0.0)	13 ( 0.0)
gls_materia (%)	DELITOS CONTEMPLADOS EN OTROS TEXTOS LEGALES	84 ( 0.0)	36 ( 0.0)	48 ( 0.0)
gls_materia (%)	DELITOS CONTENIDOS EN LEYES DE PRENDA ESP. L.20190 Y 18690	3 ( 0.0)	0 ( 0.0)	3 ( 0.0)
gls_materia (%)	DELITOS CONTRA LA LEY DE BOSQUE NATIVO. LEY 20.283	3 ( 0.0)	1 ( 0.0)	2 ( 0.0)
gls_materia (%)	DELITOS CONTRA LEY DE PROPIEDAD INDUSTRIAL	1 ( 0.0)	0 ( 0.0)	1 ( 0.0)
gls_materia (%)	DELITOS CONTRA LEY DE PROPIEDAD INTELECTUAL	41 ( 0.0)	0 ( 0.0)	41 ( 0.0)
gls_materia (%)	DELITOS DE LA LEY DE SOCIEDADES ANÓNIMAS ART. 134 LEY 18.046	1 ( 0.0)	0 ( 0.0)	1 ( 0.0)
gls_materia (%)	DELITOS MARCARIOS	3 ( 0.0)	0 ( 0.0)	3 ( 0.0)
gls_materia (%)	DELITOS QUE CONTEMPLA EL CÓDIGO TRIBUTARIO. ARTS. 97 AL 114	20 ( 0.0)	0 ( 0.0)	20 ( 0.0)
gls_materia (%)	DEMÁS DELITOS CONTRA LEY DE PROPIEDAD INDUSTRIAL	306 ( 0.1)	0 ( 0.0)	306 ( 0.1)
gls_materia (%)	DEPOSITARIO ALZADO ART. 444 CPC	15 ( 0.0)	5 ( 0.0)	10 ( 0.0)
gls_materia (%)	DESACATO (Art. 240 Código de Procedimiento Civil)	12125 ( 2.1)	1975 ( 1.0)	10150 ( 2.7)
gls_materia (%)	DESATENDER EL LLAMADO A RECLUTAMIENTO DL 2306. Art. 72	117 ( 0.0)	0 ( 0.0)	117 ( 0.0)
gls_materia (%)	DESÓRDENES EN ESPECTÁCULOS PÚBLICOS 494 Nº1 CÓDIGO PENAL	353 ( 0.1)	2 ( 0.0)	351 ( 0.1)
gls_materia (%)	DESTRUCCIÓN O ALTERACIÓN DE DESLINDES. ART. 462.	4 ( 0.0)	2 ( 0.0)	2 ( 0.0)
gls_materia (%)	DETENCION, DESTIERRO O ARRESTO IRREGULAR ART. 148	51 ( 0.0)	38 ( 0.0)	13 ( 0.0)
gls_materia (%)	DEUDOR/GTE/OTROS PERJUDICAN ACREEDORES Art463, 463bis/ter	2 ( 0.0)	0 ( 0.0)	2 ( 0.0)
gls_materia (%)	DISENSIONES DOMÉSTICAS 495 Nº6 CÓDIGO PENAL	71 ( 0.0)	30 ( 0.0)	41 ( 0.0)
gls_materia (%)	DISPAROS INJUSTIFICADOS EN VÍA PÚBLICA (ART 14 D INC. FINAL)	17 ( 0.0)	6 ( 0.0)	11 ( 0.0)
gls_materia (%)	EJERCICIO ILEGAL DE LA PROFESIÓN. ART. 213 INC 1	39 ( 0.0)	10 ( 0.0)	29 ( 0.0)
gls_materia (%)	ELABORACIÓN ILEGAL DE DROGAS O SUST. SICOT. ART.1 L.20000	7 ( 0.0)	0 ( 0.0)	7 ( 0.0)
gls_materia (%)	ENSEÑANZA NO AUTORIZ. DE ARTES MARCIALES (Art. 5 Ley 18.356)	2 ( 0.0)	0 ( 0.0)	2 ( 0.0)
gls_materia (%)	ESPIONAJE INFORMÁTICO ART. 2 Y 4 LEY 19223	42 ( 0.0)	13 ( 0.0)	29 ( 0.0)
gls_materia (%)	ESTAFAS Y OTRAS DEFRAUDACIONES CONTRA PARTICULARES	6868 ( 1.2)	1606 ( 0.8)	5262 ( 1.4)
gls_materia (%)	ESTUPRO	201 ( 0.0)	77 ( 0.0)	124 ( 0.0)
gls_materia (%)	EXACCIONES ILEGALES COMETIDAS POR FUNC. PÚB. ART.157 y 241.	3 ( 0.0)	1 ( 0.0)	2 ( 0.0)
gls_materia (%)	EXACCIONES ILEGALES COMETIDAS POR PARTICULARES	9 ( 0.0)	0 ( 0.0)	9 ( 0.0)
gls_materia (%)	EXPENDIO DE BEBIDAS ALCOHÓLICAS A MENORES. ART.42 LEY 19925	38 ( 0.0)	16 ( 0.0)	22 ( 0.0)
gls_materia (%)	EXTORSION. ART. 438.	13 ( 0.0)	6 ( 0.0)	7 ( 0.0)
gls_materia (%)	EXTRANJ INGRESAN/TRATAN EGRESAR CLANDESTINAMENTE 69 DL1094	1 ( 0.0)	0 ( 0.0)	1 ( 0.0)
gls_materia (%)	FABRICACIÓN, ACOPIO O COMERCIALIZACIÓN DE HILO CURADO.	1 ( 0.0)	0 ( 0.0)	1 ( 0.0)
gls_materia (%)	FALSA ALARMA INCENDIO, EMERGENCIA O CALAMIDAD ART 268 BIS	15 ( 0.0)	0 ( 0.0)	15 ( 0.0)
gls_materia (%)	FALSIF LICENCIAS MEDICAS O PENSIONES. ART.202 INC.2° Y 3°	5 ( 0.0)	1 ( 0.0)	4 ( 0.0)
gls_materia (%)	FALSIF MONEDA (PARA BILLETES CÓD 12031).ART 162 AL 214 CP	54 ( 0.0)	9 ( 0.0)	45 ( 0.0)
gls_materia (%)	FALSIF OBRAS PROTEGIDAS  LEY PROP INTELECT ART.79 BIS	45 ( 0.0)	1 ( 0.0)	44 ( 0.0)
gls_materia (%)	FALSIF.PLACAS U OTROS DE INVESTIGACIONES. ART. 16 inciso 3	8 ( 0.0)	0 ( 0.0)	8 ( 0.0)
gls_materia (%)	FALSIF/USO PASAPORTE O PERMISOS PORTE ARMAS ART 199 A 201	1 ( 0.0)	1 ( 0.0)	0 ( 0.0)
gls_materia (%)	FALSIFICACIÓN DE BILLETES ART. 64 LEY ORGÁNICA B.CENTRAL	131 ( 0.0)	26 ( 0.0)	105 ( 0.0)
gls_materia (%)	FALSIFICACIÓN LIC.DE COND. Y OTRAS FALSIF. ART.196 B L.18290	211 ( 0.0)	3 ( 0.0)	208 ( 0.1)
gls_materia (%)	FALSIFICACIÓN O USO MALICIOSO DE DOC. PRIVADOS ART.197 Y 198	1791 ( 0.3)	143 ( 0.1)	1648 ( 0.4)
gls_materia (%)	FALSIFICACION O USO MALICIOSO DE DOCUMENTOS PUBLICOS	536 ( 0.1)	53 ( 0.0)	483 ( 0.1)
gls_materia (%)	FALSO TEST, PERJURIO O DEN.CALUM. ART.206,209,210,211 Y 212	68 ( 0.0)	19 ( 0.0)	49 ( 0.0)
gls_materia (%)	FALTA DE RESPETO A LA AUTORIDAD PÚBLICA 495 Nº4 CÓDIGO PENAL	910 ( 0.2)	9 ( 0.0)	901 ( 0.2)
gls_materia (%)	FEMICIDIO INTIMO ART. 390 BIS	48 ( 0.0)	28 ( 0.0)	20 ( 0.0)
gls_materia (%)	FINGIMIENTO DE CARGOS O PROFESIONES. ART. 213 INC. 2	8 ( 0.0)	4 ( 0.0)	4 ( 0.0)
gls_materia (%)	FRAUDE ADUANERO. INFRACCIÓN ORDZA ADUANAS ART 169 LEY 20780	5 ( 0.0)	0 ( 0.0)	5 ( 0.0)
gls_materia (%)	FRAUDE DE SUBVENCIONES ART 470 N°8	11 ( 0.0)	3 ( 0.0)	8 ( 0.0)
gls_materia (%)	FRAUDES AL FISCO Y ORGANISMOS DEL ESTADO. ART.239	5 ( 0.0)	0 ( 0.0)	5 ( 0.0)
gls_materia (%)	GANADO QUE ENTRA A PREDIO AJENO CAUSANDO DAÑOS	5 ( 0.0)	5 ( 0.0)	0 ( 0.0)
gls_materia (%)	GIRO DOLOSO CHEQUES (CUENTA CERRADA) ART. 22. DFL 707	1 ( 0.0)	1 ( 0.0)	0 ( 0.0)
gls_materia (%)	GIRO DOLOSO CHEQUES (FALTA FONDOS). ART. 22. DFL 707	2 ( 0.0)	2 ( 0.0)	0 ( 0.0)
gls_materia (%)	GIRO DOLOSO DE CHEQUES	94 ( 0.0)	10 ( 0.0)	84 ( 0.0)
gls_materia (%)	GIRO DOLOSO DE CHEQUES AC. PENAL PÜBLICA. ART. 42. DFL 707	2 ( 0.0)	0 ( 0.0)	2 ( 0.0)
gls_materia (%)	HALLAZGO DE DROGAS	126 ( 0.0)	7 ( 0.0)	119 ( 0.0)
gls_materia (%)	HALLAZGO DE VEHÍCULO	1374 ( 0.2)	1251 ( 0.7)	123 ( 0.0)
gls_materia (%)	HOMICIDIO	898 ( 0.2)	431 ( 0.2)	467 ( 0.1)
gls_materia (%)	HOMICIDIO CALIFICADO	57 ( 0.0)	30 ( 0.0)	27 ( 0.0)
gls_materia (%)	HOMICIDIO EN RIÑA O PELEA	29 ( 0.0)	6 ( 0.0)	23 ( 0.0)
gls_materia (%)	HOMICIDIO GENDARME ENDESEMP. DE FUNC. ART 15 A - DL 2859	1 ( 0.0)	0 ( 0.0)	1 ( 0.0)
gls_materia (%)	HURTO AGRAVADO (ART. 447 CÓDIGO PENAL)	856 ( 0.2)	90 ( 0.0)	766 ( 0.2)
gls_materia (%)	HURTO DE BIENES PERTENECIENTES A REDES DE SUMINISTRO PÚBLICO	136 ( 0.0)	25 ( 0.0)	111 ( 0.0)
gls_materia (%)	HURTO DE HALLAZGO	256 ( 0.0)	103 ( 0.1)	153 ( 0.0)
gls_materia (%)	HURTO FALTA 494 BIS CÓDIGO PENAL	36492 ( 6.4)	1506 ( 0.8)	34986 ( 9.3)
gls_materia (%)	HURTO SIMPLE	209 ( 0.0)	8 ( 0.0)	201 ( 0.1)
gls_materia (%)	HURTO SIMPLE POR UN VALOR DE 4 A 40 UTM	12888 ( 2.3)	3960 ( 2.1)	8928 ( 2.4)
gls_materia (%)	HURTO SIMPLE POR UN VALOR DE MEDIA A 4 UTM	36454 ( 6.4)	5270 ( 2.8)	31184 ( 8.3)
gls_materia (%)	HURTO SIMPLE POR UN VALOR SOBRE 40 UTM	1289 ( 0.2)	500 ( 0.3)	789 ( 0.2)
gls_materia (%)	IMPEDIR EJER. DE FUNC. A INSP. MUNIC. ART 496 N° 3 C. PENAL	2 ( 0.0)	1 ( 0.0)	1 ( 0.0)
gls_materia (%)	INCENDIO	1 ( 0.0)	0 ( 0.0)	1 ( 0.0)
gls_materia (%)	INCENDIO CON PELIGRO PARA LAS PERSONAS (475 Y 476 N° 1 y 2)	287 ( 0.1)	130 ( 0.1)	157 ( 0.0)
gls_materia (%)	INCENDIO CON RESULTADO DE MUERTE Y/O LESIONES	155 ( 0.0)	118 ( 0.1)	37 ( 0.0)
gls_materia (%)	INCENDIO DE BOSQUES Art. 476 Nº 3 Y 4.	84 ( 0.0)	59 ( 0.0)	25 ( 0.0)
gls_materia (%)	INCENDIO SOLO CON DAÑOS O SIN PELIGRO DE PROP. ART.477 Y 478	793 ( 0.1)	581 ( 0.3)	212 ( 0.1)
gls_materia (%)	INCESTO	9 ( 0.0)	3 ( 0.0)	6 ( 0.0)
gls_materia (%)	INDUCIR A UN MENOR A ABANDONAR EL HOGAR	53 ( 0.0)	15 ( 0.0)	38 ( 0.0)
gls_materia (%)	INFANTICIDIO	2 ( 0.0)	0 ( 0.0)	2 ( 0.0)
gls_materia (%)	INFRAC EN PRESTACION SALUD ART 168,174 INC FINAL DS 1 SALUD	3 ( 0.0)	0 ( 0.0)	3 ( 0.0)
gls_materia (%)	INFRAC LEY ORG.CONSTITUCIONAL SOBRE VOTAC POPULARES Y ESCRUT	7 ( 0.0)	1 ( 0.0)	6 ( 0.0)
gls_materia (%)	INFRAC.A LA SEG.SOC. DL3500 Y 869 LS.18020,18469,18933,19728	3 ( 0.0)	0 ( 0.0)	3 ( 0.0)
gls_materia (%)	INFRACC. LEY GRAL DE TELECOM ART 36 B LETRAS A, B, C Y D	19 ( 0.0)	3 ( 0.0)	16 ( 0.0)
gls_materia (%)	INFRACCIÓN A LA LEY ELECTORAL. ART. 128 AL 141.	6 ( 0.0)	1 ( 0.0)	5 ( 0.0)
gls_materia (%)	INFRACCIÓN ARTÍCULO 454	469 ( 0.1)	1 ( 0.0)	468 ( 0.1)
gls_materia (%)	INFRACCIÓN LEY 11.564 DE MATADEROS CLANDESTINOS. ART. 1.	21 ( 0.0)	0 ( 0.0)	21 ( 0.0)
gls_materia (%)	INFRACCIÓN LEY 18.892 DE PESCA. ART.135 AL 139.	14 ( 0.0)	0 ( 0.0)	14 ( 0.0)
gls_materia (%)	INFRACCIÓN NORMAS INHUMACIONES Y EXHUMAC. ART.320,321 Y 322	3 ( 0.0)	0 ( 0.0)	3 ( 0.0)
gls_materia (%)	INFRACCIÓN ORDENANZA ADUANAS (FRAUDE Y CONTRABANDO) ART.176.	157 ( 0.0)	0 ( 0.0)	157 ( 0.0)
gls_materia (%)	INFRACCION  LEY DE QUIEBRAS. ART.218 AL 221.	1 ( 0.0)	1 ( 0.0)	0 ( 0.0)
gls_materia (%)	INFRACCIONES A LA LEY DE SEG.NUCLEAR (Art.41 a 47 Ley 18302)	6 ( 0.0)	3 ( 0.0)	3 ( 0.0)
gls_materia (%)	INFRACCIONES AL CÓD. AERONÁUTICO (Arts. 190, 194 bis, 195 a	4 ( 0.0)	0 ( 0.0)	4 ( 0.0)
gls_materia (%)	INJURIA (ACCIÓN PRIVADA). ART. 416 AL 420.	20 ( 0.0)	14 ( 0.0)	6 ( 0.0)
gls_materia (%)	INJURIAS Y CALUMNIAS POR MEDIOS DE COMUNICACIÓN SOCIAL	15 ( 0.0)	9 ( 0.0)	6 ( 0.0)
gls_materia (%)	INSOLVENCIA PUNIBLE (ALZAMIENTO DE BIENES)	1 ( 0.0)	0 ( 0.0)	1 ( 0.0)
gls_materia (%)	INSTAL.INDEB.SEÑALES DE TRÁN.O BARRERAS ART.196 A1 LEY 18290	1 ( 0.0)	0 ( 0.0)	1 ( 0.0)
gls_materia (%)	INTERRUPCIÓN SERV. ELECT.(Art.134 DFL.1,1982,Ley Serv.Eléc.)	2 ( 0.0)	0 ( 0.0)	2 ( 0.0)
gls_materia (%)	INUTILIZAR DISPOSIT MONITOREO TELEMAT ART 23 SEXIES L18216	1 ( 0.0)	0 ( 0.0)	1 ( 0.0)
gls_materia (%)	LAVADO DE DINERO PERSONA NATURAL ART. 27 LEY 19.913	5 ( 0.0)	1 ( 0.0)	4 ( 0.0)
gls_materia (%)	LESIONES GRAVES	7069 ( 1.2)	4774 ( 2.5)	2295 ( 0.6)
gls_materia (%)	LESIONES GRAVES GRAVÍSIMAS. ART. 397 Nº1	129 ( 0.0)	81 ( 0.0)	48 ( 0.0)
gls_materia (%)	LESIONES LEVES	53786 ( 9.5)	28336 ( 14.8)	25450 ( 6.7)
gls_materia (%)	LESIONES LEVES 494 Nº 5 CODIGO PENAL	597 ( 0.1)	299 ( 0.2)	298 ( 0.1)
gls_materia (%)	LESIONES MENOS GRAVES	54794 ( 9.6)	23928 ( 12.5)	30866 ( 8.2)
gls_materia (%)	LESIONES O DAÑOS EN FÚTBOL PROFESIONAL ART 12 INC 1 19327	9 ( 0.0)	2 ( 0.0)	7 ( 0.0)
gls_materia (%)	LEY RESPONSABILIDAD PENAL PERSONAS JURIDICAS LEY 20393	2 ( 0.0)	2 ( 0.0)	0 ( 0.0)
gls_materia (%)	LOTEOS IRREGULARES (Art.138 DFL 458,1975,Ley Gral.Urb.y Con)	2 ( 0.0)	2 ( 0.0)	0 ( 0.0)
gls_materia (%)	LOTERIA ILEGAL, CASA JUEGO Y PRÉSTAMO PRENDA ARTS 275 AL 283	13 ( 0.0)	3 ( 0.0)	10 ( 0.0)
gls_materia (%)	MALTRATO COMETIDO POR GARANTE ART. 403 BIS INC FINAL	16 ( 0.0)	0 ( 0.0)	16 ( 0.0)
gls_materia (%)	MALTRATO CORPORAL A PERSONAS VULNERABLES ART 403 BIS INC 1°	139 ( 0.0)	4 ( 0.0)	135 ( 0.0)
gls_materia (%)	MALTRATO DE OBRA A CARAB ART. 416 BIS COD DE JUST MILITAR	1671 ( 0.3)	16 ( 0.0)	1655 ( 0.4)
gls_materia (%)	MALTRATO DE OBRA FUNC PDI CON/SIN LESIONES 17 bis LOC PDI	132 ( 0.0)	1 ( 0.0)	131 ( 0.0)
gls_materia (%)	MALTRATO HABITUAL (VIOLENCIA INTRAFAMILIAR)	9439 ( 1.7)	1637 ( 0.9)	7802 ( 2.1)
gls_materia (%)	MALTRATO OBRA FISCAL, DEFENSOR EN DESEMP. DE FUNC. ART. 268	10 ( 0.0)	1 ( 0.0)	9 ( 0.0)
gls_materia (%)	MALTRATO OBRA GENDARME EN DESEMP. DE FUNC.ART 15 B,C DL 2859	141 ( 0.0)	9 ( 0.0)	132 ( 0.0)
gls_materia (%)	MALVERSACION DE CAUDALES PUBLICOS. ARTS 233, 234, 235 y 236	31 ( 0.0)	0 ( 0.0)	31 ( 0.0)
gls_materia (%)	MARCHARSE SITIO SUCESO S/AUXILIAR VÍCTIMA ART 195 INC 2 y 3	34 ( 0.0)	10 ( 0.0)	24 ( 0.0)
gls_materia (%)	MATAR A CARABINERO EN EJERCICIO DE SUS FUNCS. ART.416 C.J.M.	10 ( 0.0)	0 ( 0.0)	10 ( 0.0)
gls_materia (%)	MICROTRÁFICO (TRÁFICO DE PEQUEÑAS CANTID. ART. 4 LEY 20000)	5519 ( 1.0)	42 ( 0.0)	5477 ( 1.5)
gls_materia (%)	MUERTES Y HALLAZGO DE CADÁVER	1525 ( 0.3)	1508 ( 0.8)	17 ( 0.0)
gls_materia (%)	NEGATIVA A EFECTUARSE EXAMEN. ART. 195 BIS LEY DE TRANSITO	189 ( 0.0)	0 ( 0.0)	189 ( 0.1)
gls_materia (%)	NO DAR CUENTA DE ACCIDENTE DE TRÁNSITO ART. 96 D 1 LEY 18290	112 ( 0.0)	20 ( 0.0)	92 ( 0.0)
gls_materia (%)	NO DEFINIDO	6 ( 0.0)	0 ( 0.0)	6 ( 0.0)
gls_materia (%)	NOMBRAMIENTOS ILEGALES	1 ( 0.0)	0 ( 0.0)	1 ( 0.0)
gls_materia (%)	OBSTR INVESTIGACION POR FISCAL O ASISTENTE MP. ART.269 TER	2 ( 0.0)	0 ( 0.0)	2 ( 0.0)
gls_materia (%)	OBSTRUCCIÓN A LA INVESTIGACIÓN. ART. 269 BIS.	78 ( 0.0)	22 ( 0.0)	56 ( 0.0)
gls_materia (%)	OBSTRUCCIÓN A LA JUSTICIA CON OCASIÓN DE TRATAMIENTO DE ADN	3 ( 0.0)	1 ( 0.0)	2 ( 0.0)
gls_materia (%)	OBTENCIÓN DE SERVICIOS SEXUALES DE MENORES. ART. 367 TER.	16 ( 0.0)	14 ( 0.0)	2 ( 0.0)
gls_materia (%)	OBTENCIÓN DECLARACIONES FORZADAS ART.19 DL 2460 LEY ORG. INV	1 ( 0.0)	0 ( 0.0)	1 ( 0.0)
gls_materia (%)	OBTENCION FRAUDULENTA DE CREDITOS. ART. 160. DFL 252 DE 1960	16 ( 0.0)	0 ( 0.0)	16 ( 0.0)
gls_materia (%)	OCULTACIÓN DE IDENT. CONTROL PREV. 496 Nº 5 Y 12 LEY 20.931	378 ( 0.1)	6 ( 0.0)	372 ( 0.1)
gls_materia (%)	OCULTACIÓN DE IDENTIDAD 496 Nº5 CÓDIGO PENAL	866 ( 0.2)	23 ( 0.0)	843 ( 0.2)
gls_materia (%)	OCULTACIÓN IDENT. EN CONTROL INVESTIGATIVO 496 N°5 Y 85 CPP	130 ( 0.0)	0 ( 0.0)	130 ( 0.0)
gls_materia (%)	OCULTACION O ENTR. DE INFO. FALSA A FNE. ART. 39 h) D.L. 211	1 ( 0.0)	0 ( 0.0)	1 ( 0.0)
gls_materia (%)	OCULTAMIENTO DE PLACA PATENTE (ART. 192 LETRA E)	25 ( 0.0)	1 ( 0.0)	24 ( 0.0)
gls_materia (%)	OFENSAS AL PUDOR (495 Nº 5 Código Penal)	418 ( 0.1)	87 ( 0.0)	331 ( 0.1)
gls_materia (%)	OMISIÓN DE DENUNCIAR POR FUNCIONARIO PÚB. LEY 20.000 ART. 13	3 ( 0.0)	3 ( 0.0)	0 ( 0.0)
gls_materia (%)	OPONERSE A ACCIÓN DE LA AUTORIDAD PÚBLICA O SUS AGENTES	435 ( 0.1)	0 ( 0.0)	435 ( 0.1)
gls_materia (%)	OTORG. IRREGULAR DE DOCTOS (Art. 196 a Ley 18.290 Tráns)	5 ( 0.0)	1 ( 0.0)	4 ( 0.0)
gls_materia (%)	OTRAS FALTAS CÓDIGO PENAL	2872 ( 0.5)	400 ( 0.2)	2472 ( 0.7)
gls_materia (%)	OTRAS FALTAS LEYES ESPECIALES	4 ( 0.0)	0 ( 0.0)	4 ( 0.0)
gls_materia (%)	OTRAS FALTAS Y DELITOS DE LA LEY 19.733	2 ( 0.0)	1 ( 0.0)	1 ( 0.0)
gls_materia (%)	OTRAS INFRACCIÓN LEY 18.892 DE PESCA	12 ( 0.0)	0 ( 0.0)	12 ( 0.0)
gls_materia (%)	OTRAS INFRACCIONES A LA LEY DEL BANCO CENTRAL	19 ( 0.0)	4 ( 0.0)	15 ( 0.0)
gls_materia (%)	OTRAS INFRACCIONES A LA ORDENANZA ADUANAS. LEY 20.780	37 ( 0.0)	0 ( 0.0)	37 ( 0.0)
gls_materia (%)	OTRAS INFRACCIONES AL CÓDIGO JUSTICIA MILITAR	39 ( 0.0)	10 ( 0.0)	29 ( 0.0)
gls_materia (%)	OTRAS INFRACCIONES CONTRA LA LEY DE ALCOHOLES	1 ( 0.0)	0 ( 0.0)	1 ( 0.0)
gls_materia (%)	OTROS ABUSOS CONTRA PARTICULARES.ART. 256,257,258,259	17 ( 0.0)	9 ( 0.0)	8 ( 0.0)
gls_materia (%)	OTROS DE LOS CUASIDELITOS	42 ( 0.0)	33 ( 0.0)	9 ( 0.0)
gls_materia (%)	OTROS DEL C/ ORDEN FAMILIA, MORALIDAD Pº, INTEGRIDAD SEXUAL	69 ( 0.0)	25 ( 0.0)	44 ( 0.0)
gls_materia (%)	OTROS DELITOS EMPLEADOS PÚBLICOS EN DESEMPEÑO DE SUS CARGOS	14 ( 0.0)	12 ( 0.0)	2 ( 0.0)
gls_materia (%)	OTROS DELITOS C/ FE PÚBLICA, FALSIFIC, FALSO TEST Y PERJURIO	31 ( 0.0)	0 ( 0.0)	31 ( 0.0)
gls_materia (%)	OTROS DELITOS C/ ORDEN Y SEGURIDAD Pº COMETIDOS PARTICULARES	25 ( 0.0)	1 ( 0.0)	24 ( 0.0)
gls_materia (%)	OTROS DELITOS CONTEMPLADOS EN LEY DE PROPIEDAD INTELECTUAL	941 ( 0.2)	5 ( 0.0)	936 ( 0.2)
gls_materia (%)	OTROS DELITOS CONTRA LA LEY DEL TRÁNSITO	628 ( 0.1)	66 ( 0.0)	562 ( 0.1)
gls_materia (%)	OTROS DELITOS CONTRA LA PROPIEDAD	567 ( 0.1)	216 ( 0.1)	351 ( 0.1)
gls_materia (%)	OTROS DELITOS CONTRA LAS PERSONAS	505 ( 0.1)	319 ( 0.2)	186 ( 0.0)
gls_materia (%)	OTROS DELITOS DE LA LEY 20.000	1478 ( 0.3)	13 ( 0.0)	1465 ( 0.4)
gls_materia (%)	OTROS DELITOS DE LA LEY DE CONTROL DE ARMAS (LEY 17.798)	152 ( 0.0)	31 ( 0.0)	121 ( 0.0)
gls_materia (%)	OTROS DELITOS LEY 19.327 SOBRE VIOLENCIA EN LOS ESTADIOS	6 ( 0.0)	1 ( 0.0)	5 ( 0.0)
gls_materia (%)	OTROS DELITOS LEY DE CUENTAS CORRIENTES BANCARIAS Y CHEQUE	75 ( 0.0)	23 ( 0.0)	52 ( 0.0)
gls_materia (%)	OTROS DELITOS LEY ORGÁNICA DE INVESTIGACIONES	45 ( 0.0)	3 ( 0.0)	42 ( 0.0)
gls_materia (%)	OTROS DELITOS LY GRAL BANCOS.ART 110,141,142,157,159 DFL 252	23 ( 0.0)	12 ( 0.0)	11 ( 0.0)
gls_materia (%)	OTROS DELITOS QUE AFECTAN DºS GARANTIDOS POR LA CONSTITUCIÓN	10 ( 0.0)	3 ( 0.0)	7 ( 0.0)
gls_materia (%)	OTROS ESTRAGOS	43 ( 0.0)	22 ( 0.0)	21 ( 0.0)
gls_materia (%)	OTROS HECHOS	8336 ( 1.5)	4602 ( 2.4)	3734 ( 1.0)
gls_materia (%)	OTROS LEY 18.314	1 ( 0.0)	0 ( 0.0)	1 ( 0.0)
gls_materia (%)	PARRICIDIO.ART. 390 inc.1°	47 ( 0.0)	10 ( 0.0)	37 ( 0.0)
gls_materia (%)	PERRO POTENCIALMENTE PELIGROSO NO INSCRITO ART 16 LEY 21.020	3 ( 0.0)	3 ( 0.0)	0 ( 0.0)
gls_materia (%)	PORTAR ELEMENTOS CONOCIDAMENTE DESTINADOS A COMETER DELITO D	1142 ( 0.2)	18 ( 0.0)	1124 ( 0.3)
gls_materia (%)	PORTE ARMA GUERRA, QUÍMICA,BIOLÓGICA,NUCLEAR.ART. 14 INC. 2	1 ( 0.0)	0 ( 0.0)	1 ( 0.0)
gls_materia (%)	PORTE DE ARMA CORTANTE O PUNZANTE (288 bis)	8443 ( 1.5)	150 ( 0.1)	8293 ( 2.2)
gls_materia (%)	PORTE DE ARMA PROHIBIDA (ART. 14 INC. 1°)	132 ( 0.0)	7 ( 0.0)	125 ( 0.0)
gls_materia (%)	PORTE ILEGAL DE ARMA DE FUEGO, MUNIC.Y OTR.SUJETAS A CONTROL	1067 ( 0.2)	78 ( 0.0)	989 ( 0.3)
gls_materia (%)	POSESIÓN, TENENCIA ARMA GUERRA, QUÍM, BIOL, OTRA.ART 13 INC1	3 ( 0.0)	0 ( 0.0)	3 ( 0.0)
gls_materia (%)	POSESIÓN, TENENCIA, PORTE ARMAS ART 9 INC 1 LEY 17779	505 ( 0.1)	15 ( 0.0)	490 ( 0.1)
gls_materia (%)	POSESIÓN, TENENCIA, PORTE DE MUNIC Y SUST QUÍM ART 9 INC 2	134 ( 0.0)	6 ( 0.0)	128 ( 0.0)
gls_materia (%)	PRES. PERITOS, TEST O INTÉR.QUE FALTAREN A VERD.O DOC.FALSOS	4 ( 0.0)	0 ( 0.0)	4 ( 0.0)
gls_materia (%)	PRESUNTA DESGRACIA	19571 ( 3.4)	19510 ( 10.2)	61 ( 0.0)
gls_materia (%)	PRESUNTA DESGRACIA INFANTIL	1333 ( 0.2)	1297 ( 0.7)	36 ( 0.0)
gls_materia (%)	PREVARICACIÓN DEL ABOGADO Y PROCURADOR ARTS. 231 y 232.	10 ( 0.0)	4 ( 0.0)	6 ( 0.0)
gls_materia (%)	PREVARICACIÓN JUDICIAL Y ADMINISTRATIVA ART. 223 AL 229.	2 ( 0.0)	1 ( 0.0)	1 ( 0.0)
gls_materia (%)	PRODUCCIÓN MATERIAL PORNOGRÁFICO UTILIZANDO MENOR.DE 18 AÑOS	13 ( 0.0)	6 ( 0.0)	7 ( 0.0)
gls_materia (%)	PRODUCCIÓN Y TRÁFICO POR DESVÍO DE PRECURS. ART.2 LEY 20000	1 ( 0.0)	0 ( 0.0)	1 ( 0.0)
gls_materia (%)	PROMOVER O FACILITAR ENTRADA O SALIDA DEL PAIS PARA PROSTIT	1 ( 0.0)	0 ( 0.0)	1 ( 0.0)
gls_materia (%)	PROMOVER O FACILITAR PROSTITUCIÓN DE MENORES . ART. 367.	124 ( 0.0)	76 ( 0.0)	48 ( 0.0)
gls_materia (%)	QUEBRANTAMIENTO. ART. 90	540 ( 0.1)	4 ( 0.0)	536 ( 0.1)
gls_materia (%)	RECEPTACIÓN ADUANERA. INFRAC ORDZA ADUANAS ART 182 LEY 20780	10 ( 0.0)	0 ( 0.0)	10 ( 0.0)
gls_materia (%)	RECEPTACIÓN. ART. 456 BIS A	9145 ( 1.6)	1005 ( 0.5)	8140 ( 2.2)
gls_materia (%)	RECONOCIMIENTO MALICIOSO DE POSESIÓN REG. ART.9 DEC LEY 2695	4 ( 0.0)	2 ( 0.0)	2 ( 0.0)
gls_materia (%)	REMISOS (RECLUTAMIENTO) DL 2306. Art. 73	96 ( 0.0)	0 ( 0.0)	96 ( 0.0)
gls_materia (%)	RIÑA PÚBLICA 496 Nº 10 CÓDIGO PENAL	6497 ( 1.1)	741 ( 0.4)	5756 ( 1.5)
gls_materia (%)	ROBO CON FUERZA DE CAJEROS AUTOMATICOS	7 ( 0.0)	0 ( 0.0)	7 ( 0.0)
gls_materia (%)	ROBO CON HOMICIDIO	35 ( 0.0)	10 ( 0.0)	25 ( 0.0)
gls_materia (%)	ROBO CON INTIMIDACIÓN . ART. 433, 436 INC 1º 438.	13261 ( 2.3)	8790 ( 4.6)	4471 ( 1.2)
gls_materia (%)	ROBO CON LESIONES GRAVES GRAVISIMAS ART. 433 Nº 2	1 ( 0.0)	0 ( 0.0)	1 ( 0.0)
gls_materia (%)	ROBO CON RET. DE VICTIMAS O LESIONES GRAVES ART. 433 Nº 3	14 ( 0.0)	11 ( 0.0)	3 ( 0.0)
gls_materia (%)	ROBO CON RETENCIÓN DE VÍCTIMAS O CON LESIONES GRAVES	49 ( 0.0)	34 ( 0.0)	15 ( 0.0)
gls_materia (%)	ROBO CON VIOLACIÓN. ART. 433 Nº1.	79 ( 0.0)	59 ( 0.0)	20 ( 0.0)
gls_materia (%)	ROBO CON VIOLENCIA. ART.436 inc. 1º 433, 438, 439.	10894 ( 1.9)	7380 ( 3.9)	3514 ( 0.9)
gls_materia (%)	ROBO DE VEHICULO MOTORIZADO ART. 443 INC. 2	2949 ( 0.5)	2515 ( 1.3)	434 ( 0.1)
gls_materia (%)	ROBO EN BIENES NAC. DE USO PÚB. O SITIOS NO DESTINADOS A HAB	6974 ( 1.2)	3461 ( 1.8)	3513 ( 0.9)
gls_materia (%)	ROBO EN LUGAR HABITADO O DESTINADO A LA HABITACIÓN. ART. 440	10883 ( 1.9)	4733 ( 2.5)	6150 ( 1.6)
gls_materia (%)	ROBO EN LUGAR NO HABITADO. ART. 442.	9319 ( 1.6)	2072 ( 1.1)	7247 ( 1.9)
gls_materia (%)	ROBO O HURTO DE MATERIAL DE GUERRA	2 ( 0.0)	0 ( 0.0)	2 ( 0.0)
gls_materia (%)	ROBO POR SORPRESA. ART. 436 INC. 2°	6879 ( 1.2)	3755 ( 2.0)	3124 ( 0.8)
gls_materia (%)	ROTURA DE SELLOS.ARTS. 270 y 271.	95 ( 0.0)	0 ( 0.0)	95 ( 0.0)
gls_materia (%)	RUIDOS MOLESTOS 495 Nº 1 CÓDIGO PENAL	98 ( 0.0)	7 ( 0.0)	91 ( 0.0)
gls_materia (%)	SABOTAJE INFORMÁTICO. ARTS. 1 Y 3 LEY 19.223.	64 ( 0.0)	26 ( 0.0)	38 ( 0.0)
gls_materia (%)	SECUESTRO CON HOMICIDIO, VIOLACIÓN O LES. ART.141 INC. FINAL	33 ( 0.0)	29 ( 0.0)	4 ( 0.0)
gls_materia (%)	SECUESTRO CON LESIONES	5 ( 0.0)	5 ( 0.0)	0 ( 0.0)
gls_materia (%)	SECUESTRO CON VIOLACIÓN	3 ( 0.0)	3 ( 0.0)	0 ( 0.0)
gls_materia (%)	SECUESTRO. ART. 141	323 ( 0.1)	265 ( 0.1)	58 ( 0.0)
gls_materia (%)	SOBORNO DE FUNC PBCO EXTRANJ PERSONA NATURAL ART. 251 BIS	2 ( 0.0)	0 ( 0.0)	2 ( 0.0)
gls_materia (%)	SODOMIA. ART. 365.	4 ( 0.0)	4 ( 0.0)	0 ( 0.0)
gls_materia (%)	SUMINISTRO DE HIDROCARBUROS AROMÁTICOS A MEN.ART.5 LEY 20000	1 ( 0.0)	1 ( 0.0)	0 ( 0.0)
gls_materia (%)	SUMINISTRO INDEBIDO DE DROGAS. ART. 7 LEY Nº 20.000.	2 ( 0.0)	0 ( 0.0)	2 ( 0.0)
gls_materia (%)	SUSTRACCIÓN DE MENORES. ART. 142	69 ( 0.0)	9 ( 0.0)	60 ( 0.0)
gls_materia (%)	TACHA FALSA DE FIRMA AUTÉNTICA. ART. 43. DFL 707	1 ( 0.0)	1 ( 0.0)	0 ( 0.0)
gls_materia (%)	TENENCIA DE ARMAS PROHIBIDAS ART. 13	50 ( 0.0)	4 ( 0.0)	46 ( 0.0)
gls_materia (%)	TOLERANCIA AL TRÁFICO O CONSUMO DE DROGAS. ART. 12	2 ( 0.0)	0 ( 0.0)	2 ( 0.0)
gls_materia (%)	TORTURAS COMETIDAS POR FUNCIONARIOS PÚBLICOS (150 A INC 1)	148 ( 0.0)	145 ( 0.1)	3 ( 0.0)
gls_materia (%)	TORTURAS POR PARTICULARES AGENTES DEL ESTADO (150 A INC. 2)	15 ( 0.0)	13 ( 0.0)	2 ( 0.0)
gls_materia (%)	TRÁFICO DE ARMAS (ART. 10)	5 ( 0.0)	0 ( 0.0)	5 ( 0.0)
gls_materia (%)	TRAFICO DE ESPECIES VEGETALES. ART. 10 LEY 20.000	10 ( 0.0)	0 ( 0.0)	10 ( 0.0)
gls_materia (%)	TRAFICO DE MIGRANTES 411 BIS INCISO 1, 2 Y 3	1 ( 0.0)	1 ( 0.0)	0 ( 0.0)
gls_materia (%)	TRÁFICO DE RESIDUOS PELIGROSOS (LEY 20.920)	6 ( 0.0)	6 ( 0.0)	0 ( 0.0)
gls_materia (%)	TRÁFICO ILÍCITO DE DROGAS ART. 3 LEY Nº 20.000.	1874 ( 0.3)	19 ( 0.0)	1855 ( 0.5)
gls_materia (%)	TRANSP.O DISTRIB.DE GAS E INST.CLAND. ART.53/54 DFL 323,1931	1 ( 0.0)	1 ( 0.0)	0 ( 0.0)
gls_materia (%)	TRANSPRTE DESECH. VERT. CLAND 192 BIS, INC. 6 LEY 20.879	1 ( 0.0)	0 ( 0.0)	1 ( 0.0)
gls_materia (%)	TRATA DE PERSONAS CON FINES DE PROSTITUCIÓN. ART. 367 BIS.	12 ( 0.0)	12 ( 0.0)	0 ( 0.0)
gls_materia (%)	TRATA DE PERSONAS PARA LA EXPLOTACIÓN SEXUAL ART 411 QUATER	1 ( 0.0)	1 ( 0.0)	0 ( 0.0)
gls_materia (%)	TRATA PARA TRABAJOS FORZADOS Y OTROS ART411 QUATER INC1°	1 ( 0.0)	1 ( 0.0)	0 ( 0.0)
gls_materia (%)	TRATOS DEGRADANTES A PERSONAS VULNERABLES. ART. 403 TER.	36 ( 0.0)	4 ( 0.0)	32 ( 0.0)
gls_materia (%)	ULTRAJE PÚBLICO A LAS BUENAS COSTUMBRES POR MED.COM.SOCIAL	32 ( 0.0)	11 ( 0.0)	21 ( 0.0)
gls_materia (%)	ULTRAJE PÚBLICO A LAS BUENAS COSTUMBRES. ART. 373.	125 ( 0.0)	23 ( 0.0)	102 ( 0.0)
gls_materia (%)	USO FRAUDULENTO DE TARJETAS O MEDIOS DE PAGO. LEY 20.009	1747 ( 0.3)	1331 ( 0.7)	416 ( 0.1)
gls_materia (%)	USO ILICITO FUEGO ART 18,22,22BIS 22 terC18S 4363 LEYBOSQUES	6 ( 0.0)	2 ( 0.0)	4 ( 0.0)
gls_materia (%)	USO UNIFORME O INSIGNIAS FFAA O CARABINEROS DE CHILE	2 ( 0.0)	0 ( 0.0)	2 ( 0.0)
gls_materia (%)	USO,FACILITACIÓN O TRANSPORTE DE HILO CURADO.	4 ( 0.0)	0 ( 0.0)	4 ( 0.0)
gls_materia (%)	USURA. ART. 472.	2 ( 0.0)	2 ( 0.0)	0 ( 0.0)
gls_materia (%)	USURPACION DE AGUAS. ART. 459.	13 ( 0.0)	3 ( 0.0)	10 ( 0.0)
gls_materia (%)	USURPACIÓN DE ATRIBUCIONES DE EMPLEADOS PÚB. Y JUDICIALES	42 ( 0.0)	9 ( 0.0)	33 ( 0.0)
gls_materia (%)	USURPACIÓN DE ESTADO CIVIL. ART. 354.	1 ( 0.0)	0 ( 0.0)	1 ( 0.0)
gls_materia (%)	USURPACIÓN DE NOMBRE. ART. 214.	988 ( 0.2)	247 ( 0.1)	741 ( 0.2)
gls_materia (%)	USURPACIÓN DE PROPIEDAD, DESCUBRIMIENTO O PROD. ART.158 Nº5.	196 ( 0.0)	41 ( 0.0)	155 ( 0.0)
gls_materia (%)	USURPACIÓN NO VIOLENTA. ART. 458.	287 ( 0.1)	57 ( 0.0)	230 ( 0.1)
gls_materia (%)	USURPACIÓN VIOLENTA. ART. 457 INCISO PRIMERO.	52 ( 0.0)	16 ( 0.0)	36 ( 0.0)
gls_materia (%)	VENTA ILICITA OBRAS PROTEGIDAS LEY PROP INTELECT  ART. 81	178 ( 0.0)	1 ( 0.0)	177 ( 0.0)
gls_materia (%)	VIOLACIÓN	4 ( 0.0)	1 ( 0.0)	3 ( 0.0)
gls_materia (%)	VIOLACIÓN CON HOMICIDIO O FEMICIDIO ART. 372 BIS.	1 ( 0.0)	0 ( 0.0)	1 ( 0.0)
gls_materia (%)	VIOLACIÓN DE MAYOR DE 14 AÑOS. ART. 361.	1665 ( 0.3)	1203 ( 0.6)	462 ( 0.1)
gls_materia (%)	VIOLACIÓN DE MENOR DE 14 AÑOS. ART. 362.	441 ( 0.1)	133 ( 0.1)	308 ( 0.1)
gls_materia (%)	VIOLACIÓN DE MORADA. ART. 144	5080 ( 0.9)	1157 ( 0.6)	3923 ( 1.0)
gls_materia (%)	VIOLACIÓN DE SECRETOS. ART. 246.	1 ( 0.0)	0 ( 0.0)	1 ( 0.0)
gls_materia (%)	VIOLENCIA EN LOS ESTADIOS ART 6,6A-B-D-E-F-G-H LEY 19.327	61 ( 0.0)	2 ( 0.0)	59 ( 0.0)
familia_delito (%)	CUASIDELITOS	3837 ( 0.7)	2026 ( 1.1)	1811 ( 0.5)	<0.001		1.114
familia_delito (%)	DELITOS CONTRA LA FE PÚBLICA	15985 ( 2.8)	2518 ( 1.3)	13467 ( 3.6)
familia_delito (%)	DELITOS CONTRA LA LIBERTAD E INTIMIDAD DE LAS PERSONAS	98960 ( 17.4)	32955 ( 17.2)	66005 ( 17.5)
familia_delito (%)	DELITOS CONTRA LEYES DE PROPIEDAD INTELECTUAL E INDUSTRIAL	1473 ( 0.3)	7 ( 0.0)	1466 ( 0.4)
familia_delito (%)	DELITOS DE JUSTICIA MILITAR	47 ( 0.0)	10 ( 0.0)	37 ( 0.0)
familia_delito (%)	DELITOS DE LEYES ESPECIALES	13230 ( 2.3)	2728 ( 1.4)	10502 ( 2.8)
familia_delito (%)	DELITOS DE TORTURA, MALOS TRATOS, GENOCIDIO Y LESA HUMANIDAD	453 ( 0.1)	445 ( 0.2)	8 ( 0.0)
familia_delito (%)	DELITOS ECONÓMICOS Y TRIBUTARIOS	14271 ( 2.5)	4816 ( 2.5)	9455 ( 2.5)
familia_delito (%)	DELITOS FUNCIONARIOS	738 ( 0.1)	394 ( 0.2)	344 ( 0.1)
familia_delito (%)	DELITOS LEY DE DROGAS	9576 ( 1.7)	87 ( 0.0)	9489 ( 2.5)
familia_delito (%)	DELITOS LEY DE TRÁNSITO	16101 ( 2.8)	1597 ( 0.8)	14504 ( 3.8)
familia_delito (%)	DELITOS SEXUALES	5860 ( 1.0)	2621 ( 1.4)	3239 ( 0.9)
familia_delito (%)	FALTAS	80854 ( 14.2)	4171 ( 2.2)	76683 ( 20.3)
familia_delito (%)	HECHOS DE RELEVANCIA CRIMINAL	32265 ( 5.7)	28175 ( 14.7)	4090 ( 1.1)
familia_delito (%)	HOMICIDIOS	1107 ( 0.2)	518 ( 0.3)	589 ( 0.2)
familia_delito (%)	HURTOS	52088 ( 9.2)	9956 ( 5.2)	42132 ( 11.2)
familia_delito (%)	LESIONES	118835 ( 20.9)	57764 ( 30.2)	61071 ( 16.2)
familia_delito (%)	OTROS DELITOS	12596 ( 2.2)	369 ( 0.2)	12227 ( 3.2)
familia_delito (%)	OTROS DELITOS CONTRA LA PROPIEDAD	28677 ( 5.0)	7188 ( 3.8)	21489 ( 5.7)
familia_delito (%)	ROBOS	31212 ( 5.5)	20039 ( 10.5)	11173 ( 3.0)
familia_delito (%)	ROBOS NO VIOLENTOS	30132 ( 5.3)	12781 ( 6.7)	17351 ( 4.6)
relacion_vifsaf (%)	NO	452460 ( 79.6)	154405 ( 80.8)	298055 ( 79.0)	<0.001		0.043
relacion_vifsaf (%)	SI	115837 ( 20.4)	36760 ( 19.2)	79077 ( 21.0)
gls_parentesco (%)	ABUELO(A)	747 ( 0.1)	31 ( 0.0)	716 ( 0.2)	<0.001		0.230
gls_parentesco (%)	ADOPTADO	41 ( 0.0)	17 ( 0.0)	24 ( 0.0)
gls_parentesco (%)	ADOPTANTE	5 ( 0.0)	1 ( 0.0)	4 ( 0.0)
gls_parentesco (%)	CONVIVIENTE	30461 ( 5.4)	13227 ( 6.9)	17234 ( 4.6)
gls_parentesco (%)	CÓNYUGE	15104 ( 2.7)	3983 ( 2.1)	11121 ( 2.9)
gls_parentesco (%)	CUÑADO(A)	1701 ( 0.3)	633 ( 0.3)	1068 ( 0.3)
gls_parentesco (%)	EX CONVIVIENTE	21379 ( 3.8)	8104 ( 4.2)	13275 ( 3.5)
gls_parentesco (%)	EX CONYUGE	1417 ( 0.2)	358 ( 0.2)	1059 ( 0.3)
gls_parentesco (%)	HERMANO(A)	9836 ( 1.7)	3030 ( 1.6)	6806 ( 1.8)
gls_parentesco (%)	HIJO(A)	9131 ( 1.6)	1619 ( 0.8)	7512 ( 2.0)
gls_parentesco (%)	MADRASTRA	103 ( 0.0)	22 ( 0.0)	81 ( 0.0)
gls_parentesco (%)	MADRE	8412 ( 1.5)	951 ( 0.5)	7461 ( 2.0)
gls_parentesco (%)	MADRE HIJO COMUN	3885 ( 0.7)	1295 ( 0.7)	2590 ( 0.7)
gls_parentesco (%)	MENOR DE EDAD (bajo cuidado)	44 ( 0.0)	8 ( 0.0)	36 ( 0.0)
gls_parentesco (%)	MINUSVALIDO (bajo cuidado)	3 ( 0.0)	1 ( 0.0)	2 ( 0.0)
gls_parentesco (%)	NIETO	352 ( 0.1)	38 ( 0.0)	314 ( 0.1)
gls_parentesco (%)	No Definido	118 ( 0.0)	40 ( 0.0)	78 ( 0.0)
gls_parentesco (%)	NUERA	259 ( 0.0)	91 ( 0.0)	168 ( 0.0)
gls_parentesco (%)	PADRASTRO	762 ( 0.1)	217 ( 0.1)	545 ( 0.1)
gls_parentesco (%)	PADRE	4264 ( 0.8)	634 ( 0.3)	3630 ( 1.0)
gls_parentesco (%)	PADRE HIJO COMUN	3584 ( 0.6)	1220 ( 0.6)	2364 ( 0.6)
gls_parentesco (%)	SOBRINO(A)	1451 ( 0.3)	439 ( 0.2)	1012 ( 0.3)
gls_parentesco (%)	SUEGRO(A)	866 ( 0.2)	219 ( 0.1)	647 ( 0.2)
gls_parentesco (%)	TIO(A)	1509 ( 0.3)	450 ( 0.2)	1059 ( 0.3)
gls_parentesco (%)	YERNO	403 ( 0.1)	132 ( 0.1)	271 ( 0.1)
gls_parentesco (%)	[Missing]	452460 ( 79.6)	154405 ( 80.8)	298055 ( 79.0)
gls_mottermino (%)	Acoge req. proced monit y proposic multa	57060 ( 10.0)	5722 ( 3.0)	51338 ( 13.6)	<0.001		0.968
gls_mottermino (%)	Acuerdo Reparatorio (Art. 241 y 242)	12071 ( 2.1)	2702 ( 1.4)	9369 ( 2.5)
gls_mottermino (%)	Agrupado	28281 ( 5.0)	11361 ( 5.9)	16920 ( 4.5)
gls_mottermino (%)	Anulación de ingreso error de digitación	1575 ( 0.3)	354 ( 0.2)	1221 ( 0.3)
gls_mottermino (%)	Anulación ingreso por delito acción priv	33 ( 0.0)	14 ( 0.0)	19 ( 0.0)
gls_mottermino (%)	Archivo Provisional	149674 ( 26.3)	87494 ( 45.8)	62180 ( 16.5)
gls_mottermino (%)	Decisión de no perseverar en el proced	33205 ( 5.8)	9942 ( 5.2)	23263 ( 6.2)
gls_mottermino (%)	Incomp materias correspond sistema antig	87 ( 0.0)	45 ( 0.0)	42 ( 0.0)
gls_mottermino (%)	Incomp tratarse materias conoc otro trib	2346 ( 0.4)	923 ( 0.5)	1423 ( 0.4)
gls_mottermino (%)	Negativa investig caso autodenuncia 179	1 ( 0.0)	0 ( 0.0)	1 ( 0.0)
gls_mottermino (%)	No Inicio Investigación	42251 ( 7.4)	26158 ( 13.7)	16093 ( 4.3)
gls_mottermino (%)	Otras causales de término	1255 ( 0.2)	275 ( 0.1)	980 ( 0.3)
gls_mottermino (%)	Principio de Oportunidad	45202 ( 8.0)	12130 ( 6.3)	33072 ( 8.8)
gls_mottermino (%)	Rechazo querella de capítulos (art. 429)	3 ( 0.0)	0 ( 0.0)	3 ( 0.0)
gls_mottermino (%)	Rechazo req. Med. Seg. Opuest qte 462	2 ( 0.0)	0 ( 0.0)	2 ( 0.0)
gls_mottermino (%)	S Def (no subs oport vicios form art270)	70 ( 0.0)	14 ( 0.0)	56 ( 0.0)
gls_mottermino (%)	S Definit (vencim plazo suspens art 240)	44628 ( 7.9)	9547 ( 5.0)	35081 ( 9.3)
gls_mottermino (%)	S. Definit (en casos del art. 465)	3 ( 0.0)	1 ( 0.0)	2 ( 0.0)
gls_mottermino (%)	S. Definit (exc previo y espec pron 271)	22 ( 0.0)	8 ( 0.0)	14 ( 0.0)
gls_mottermino (%)	S. Definit (susp imposic de la cond 398)	44 ( 0.0)	12 ( 0.0)	32 ( 0.0)
gls_mottermino (%)	Sentencia definitiva absolutoria	11852 ( 2.1)	2898 ( 1.5)	8954 ( 2.4)
gls_mottermino (%)	Sentencia definitiva condenatoria	100130 ( 17.6)	13068 ( 6.8)	87062 ( 23.1)
gls_mottermino (%)	Sobres Definit (en casos del art 247)	12 ( 0.0)	2 ( 0.0)	10 ( 0.0)
gls_mottermino (%)	Sobres Definitivo (causales del art 250)	28134 ( 5.0)	6660 ( 3.5)	21474 ( 5.7)
gls_mottermino (%)	Término requerimiento internacional	3 ( 0.0)	0 ( 0.0)	3 ( 0.0)
gls_mottermino (%)	[Missing]	10353 ( 1.8)	1835 ( 1.0)	8518 ( 2.3)
gls_motsuspension (%)	ACUERDO REPARATORIO	15456 ( 2.7)	3224 ( 1.7)	12232 ( 3.2)	<0.001		0.237
gls_motsuspension (%)	SOBRESEIMIENTO TEMPORAL	2275 ( 0.4)	495 ( 0.3)	1780 ( 0.5)
gls_motsuspension (%)	SUSPENSION CONDICIONAL DEL PROCEDIMIENTO	55631 ( 9.8)	11826 ( 6.2)	43805 ( 11.6)
gls_motsuspension (%)	SUSPENSION PROCED. ART. 10	10 ( 0.0)	0 ( 0.0)	10 ( 0.0)
gls_motsuspension (%)	SUSPENSION PROCED. ART. 458	1719 ( 0.3)	138 ( 0.1)	1581 ( 0.4)
gls_motsuspension (%)	[Missing]	493206 ( 86.8)	175482 ( 91.8)	317724 ( 84.2)
gls_proctermino (%)	ABREVIADO	21460 ( 3.8)	3603 ( 1.9)	17857 ( 4.7)	<0.001		0.829
gls_proctermino (%)	MONITORIO	57113 ( 10.0)	5729 ( 3.0)	51384 ( 13.6)
gls_proctermino (%)	ORDINARIO	106814 ( 18.8)	26580 ( 13.9)	80234 ( 21.3)
gls_proctermino (%)	RECLAMO	1 ( 0.0)	0 ( 0.0)	1 ( 0.0)
gls_proctermino (%)	REQUERIMIENTO INTERNACIONAL	3 ( 0.0)	0 ( 0.0)	3 ( 0.0)
gls_proctermino (%)	SIMPLIFICADO	102582 ( 18.1)	14807 ( 7.7)	87775 ( 23.3)
gls_proctermino (%)	SIN PROCEDIMIENTO	280324 ( 49.3)	140446 ( 73.5)	139878 ( 37.1)
gls_tipo_imputado (%)	DENUNCIADO	28397 ( 5.0)	5384 ( 2.8)	23013 ( 6.1)	<0.001		0.165
gls_tipo_imputado (%)	IMPUTADO	538987 ( 94.8)	185542 ( 97.1)	353445 ( 93.7)
gls_tipo_imputado (%)	INVESTIGADO	27 ( 0.0)	10 ( 0.0)	17 ( 0.0)
gls_tipo_imputado (%)	QUERELLADO	562 ( 0.1)	95 ( 0.0)	467 ( 0.1)
gls_tipo_imputado (%)	SOSPECHOSO	234 ( 0.0)	45 ( 0.0)	189 ( 0.1)
gls_tipo_imputado (%)	TESTIGO	90 ( 0.0)	89 ( 0.0)	1 ( 0.0)
lugar_ocurrencia (%)	BIENES NACIONALES USO PUBLICO	221138 ( 38.9)	79544 ( 41.6)	141594 ( 37.5)	<0.001		0.453
lugar_ocurrencia (%)	ESTABLECIMIENTO COMERCIAL	91267 ( 16.1)	11902 ( 6.2)	79365 ( 21.0)
lugar_ocurrencia (%)	ESTABLECIMIENTO DE DIVERSION	1853 ( 0.3)	805 ( 0.4)	1048 ( 0.3)
lugar_ocurrencia (%)	ESTABLECIMIENTO EDUCACIONAL	3503 ( 0.6)	1282 ( 0.7)	2221 ( 0.6)
lugar_ocurrencia (%)	ESTABLECIMIENTO PRODUCTIVO	8204 ( 1.4)	3238 ( 1.7)	4966 ( 1.3)
lugar_ocurrencia (%)	LUGAR HABITADO O DESTINADO A LA HABITACION Y SUS DEPENDENCIAS	213180 ( 37.5)	83821 ( 43.8)	129359 ( 34.3)
lugar_ocurrencia (%)	ORGANIZACION DE SEGURIDAD / JUSTICIA	12246 ( 2.2)	4372 ( 2.3)	7874 ( 2.1)
lugar_ocurrencia (%)	ORGANIZACION PUBLICA Y/O SOCIAL	7376 ( 1.3)	3070 ( 1.6)	4306 ( 1.1)
lugar_ocurrencia (%)	OTROS LUGARES NO CLASIFICADOS	5664 ( 1.0)	2308 ( 1.2)	3356 ( 0.9)
lugar_ocurrencia (%)	[Missing]	3866 ( 0.7)	823 ( 0.4)	3043 ( 0.8)
gls_sitiosuceso (%)	ANEXOS VIVIENDA	1920 ( 0.3)	584 ( 0.3)	1336 ( 0.4)	<0.001		0.510
gls_sitiosuceso (%)	AUTOSERVICIO	36710 ( 6.5)	2504 ( 1.3)	34206 ( 9.1)
gls_sitiosuceso (%)	BOMBEROS	21 ( 0.0)	8 ( 0.0)	13 ( 0.0)
gls_sitiosuceso (%)	CAJERO AUTOMATICO	536 ( 0.1)	323 ( 0.2)	213 ( 0.1)
gls_sitiosuceso (%)	CARRETERAS Y CAMINOS	12485 ( 2.2)	3371 ( 1.8)	9114 ( 2.4)
gls_sitiosuceso (%)	CEMENTERIOS	226 ( 0.0)	82 ( 0.0)	144 ( 0.0)
gls_sitiosuceso (%)	CENTRALES DE APUESTAS	72 ( 0.0)	27 ( 0.0)	45 ( 0.0)
gls_sitiosuceso (%)	CENTRO ESPECTACULOS	291 ( 0.1)	99 ( 0.1)	192 ( 0.1)
gls_sitiosuceso (%)	CENTRO RECREATIVO	526 ( 0.1)	204 ( 0.1)	322 ( 0.1)
gls_sitiosuceso (%)	CENTRO SOCIAL	873 ( 0.2)	413 ( 0.2)	460 ( 0.1)
gls_sitiosuceso (%)	CENTROS CULTURALES	66 ( 0.0)	19 ( 0.0)	47 ( 0.0)
gls_sitiosuceso (%)	CENTROS DE ASISTENCIA MEDICA	3626 ( 0.6)	1731 ( 0.9)	1895 ( 0.5)
gls_sitiosuceso (%)	CENTROS DE CULTO	241 ( 0.0)	48 ( 0.0)	193 ( 0.1)
gls_sitiosuceso (%)	CENTROS DE JUEGOS	200 ( 0.0)	87 ( 0.0)	113 ( 0.0)
gls_sitiosuceso (%)	CERRO	135 ( 0.0)	35 ( 0.0)	100 ( 0.0)
gls_sitiosuceso (%)	COMERCIO MENOR	8248 ( 1.5)	1339 ( 0.7)	6909 ( 1.8)
gls_sitiosuceso (%)	CUERPO DE AGUA	27 ( 0.0)	6 ( 0.0)	21 ( 0.0)
gls_sitiosuceso (%)	CURSO DE AGUA	25 ( 0.0)	11 ( 0.0)	14 ( 0.0)
gls_sitiosuceso (%)	DEFENSORIA	10 ( 0.0)	2 ( 0.0)	8 ( 0.0)
gls_sitiosuceso (%)	DISCOTEQUE / PUB	1175 ( 0.2)	535 ( 0.3)	640 ( 0.2)
gls_sitiosuceso (%)	EMPRESA / COMPAÑIA	4178 ( 0.7)	1536 ( 0.8)	2642 ( 0.7)
gls_sitiosuceso (%)	ESCOLAR	2900 ( 0.5)	1114 ( 0.6)	1786 ( 0.5)
gls_sitiosuceso (%)	ESTABLECIMIENTO FINANCIERO	1997 ( 0.4)	576 ( 0.3)	1421 ( 0.4)
gls_sitiosuceso (%)	ESTABLECIMIENTOS DE ALIMENTACION	4109 ( 0.7)	911 ( 0.5)	3198 ( 0.8)
gls_sitiosuceso (%)	ESTACIONAMIENTO ABIERTO	461 ( 0.1)	192 ( 0.1)	269 ( 0.1)
gls_sitiosuceso (%)	ESTACIONAMIENTO CERRADO	282 ( 0.0)	146 ( 0.1)	136 ( 0.0)
gls_sitiosuceso (%)	EXPENDIO DE BEBIDAS ALCOHOLICAS	462 ( 0.1)	127 ( 0.1)	335 ( 0.1)
gls_sitiosuceso (%)	FERIAS LIBRES	505 ( 0.1)	153 ( 0.1)	352 ( 0.1)
gls_sitiosuceso (%)	FISCALIA	66 ( 0.0)	19 ( 0.0)	47 ( 0.0)
gls_sitiosuceso (%)	INDUSTRIA	3274 ( 0.6)	1436 ( 0.8)	1838 ( 0.5)
gls_sitiosuceso (%)	MAR	115 ( 0.0)	44 ( 0.0)	71 ( 0.0)
gls_sitiosuceso (%)	MINAS Y PIQUES MINEROS	38 ( 0.0)	10 ( 0.0)	28 ( 0.0)
gls_sitiosuceso (%)	PARQUE / PLAZA	1220 ( 0.2)	446 ( 0.2)	774 ( 0.2)
gls_sitiosuceso (%)	PLAYA	366 ( 0.1)	142 ( 0.1)	224 ( 0.1)
gls_sitiosuceso (%)	PRE-ESCOLAR	265 ( 0.0)	45 ( 0.0)	220 ( 0.1)
gls_sitiosuceso (%)	PREDIO RURAL	3402 ( 0.6)	1324 ( 0.7)	2078 ( 0.6)
gls_sitiosuceso (%)	PROSTIBULOS	114 ( 0.0)	57 ( 0.0)	57 ( 0.0)
gls_sitiosuceso (%)	PUENTES	30 ( 0.0)	15 ( 0.0)	15 ( 0.0)
gls_sitiosuceso (%)	RECINTOS DE GENDARMERIA	8527 ( 1.5)	2797 ( 1.5)	5730 ( 1.5)
gls_sitiosuceso (%)	RECINTOS FFAA	224 ( 0.0)	62 ( 0.0)	162 ( 0.0)
gls_sitiosuceso (%)	RECINTOS POLICIALES	2187 ( 0.4)	1081 ( 0.6)	1106 ( 0.3)
gls_sitiosuceso (%)	SERVICENTRO	2527 ( 0.4)	1153 ( 0.6)	1374 ( 0.4)
gls_sitiosuceso (%)	SERVICIOS PUBLICOS	2023 ( 0.4)	652 ( 0.3)	1371 ( 0.4)
gls_sitiosuceso (%)	SITIO ERIAZO PARTICULAR	1865 ( 0.3)	832 ( 0.4)	1033 ( 0.3)
gls_sitiosuceso (%)	SITIO ERIAZO PUBLICO	273 ( 0.0)	129 ( 0.1)	144 ( 0.0)
gls_sitiosuceso (%)	SUPERIOR	329 ( 0.1)	120 ( 0.1)	209 ( 0.1)
gls_sitiosuceso (%)	TALLER	694 ( 0.1)	245 ( 0.1)	449 ( 0.1)
gls_sitiosuceso (%)	TERMINALES DE TRANSPORTES	2101 ( 0.4)	878 ( 0.5)	1223 ( 0.3)
gls_sitiosuceso (%)	TIENDA COMERCIAL	34455 ( 6.1)	4081 ( 2.1)	30374 ( 8.1)
gls_sitiosuceso (%)	TRIBUNALES	1206 ( 0.2)	401 ( 0.2)	805 ( 0.2)
gls_sitiosuceso (%)	VEHICULO EN VIA PUBLICA	6483 ( 1.1)	2686 ( 1.4)	3797 ( 1.0)
gls_sitiosuceso (%)	VIA PUBLICA URBANA	198343 ( 34.9)	72118 ( 37.7)	126225 ( 33.5)
gls_sitiosuceso (%)	VIVIENDA	209068 ( 36.8)	82311 ( 43.1)	126757 ( 33.6)
gls_sitiosuceso (%)	VIVIENDAS TRANSITORIAS	1992 ( 0.4)	872 ( 0.5)	1120 ( 0.3)
gls_sitiosuceso (%)	[Missing]	4803 ( 0.8)	1026 ( 0.5)	3777 ( 1.0)
gls_comuna (%)	AISEN	1314 ( 0.2)	491 ( 0.3)	823 ( 0.2)	<0.001		0.205
gls_comuna (%)	ALGARROBO	443 ( 0.1)	139 ( 0.1)	304 ( 0.1)
gls_comuna (%)	ALHUE	74 ( 0.0)	31 ( 0.0)	43 ( 0.0)
gls_comuna (%)	ALTO BIO BIO	30 ( 0.0)	17 ( 0.0)	13 ( 0.0)
gls_comuna (%)	ALTO DEL CARMEN	47 ( 0.0)	19 ( 0.0)	28 ( 0.0)
gls_comuna (%)	ALTO HOSPICIO	5728 ( 1.0)	1639 ( 0.9)	4089 ( 1.1)
gls_comuna (%)	ANCUD	474 ( 0.1)	192 ( 0.1)	282 ( 0.1)
gls_comuna (%)	ANDACOLLO	475 ( 0.1)	155 ( 0.1)	320 ( 0.1)
gls_comuna (%)	ANGOL	1187 ( 0.2)	417 ( 0.2)	770 ( 0.2)
gls_comuna (%)	ANTARTICA	2 ( 0.0)	0 ( 0.0)	2 ( 0.0)
gls_comuna (%)	ANTOFAGASTA	14248 ( 2.5)	3869 ( 2.0)	10379 ( 2.8)
gls_comuna (%)	ANTUCO	29 ( 0.0)	11 ( 0.0)	18 ( 0.0)
gls_comuna (%)	ARAUCO	1285 ( 0.2)	377 ( 0.2)	908 ( 0.2)
gls_comuna (%)	ARICA	13870 ( 2.4)	4532 ( 2.4)	9338 ( 2.5)
gls_comuna (%)	BUIN	2508 ( 0.4)	844 ( 0.4)	1664 ( 0.4)
gls_comuna (%)	BULNES	142 ( 0.0)	66 ( 0.0)	76 ( 0.0)
gls_comuna (%)	CABILDO	229 ( 0.0)	76 ( 0.0)	153 ( 0.0)
gls_comuna (%)	CABRERO	291 ( 0.1)	58 ( 0.0)	233 ( 0.1)
gls_comuna (%)	CALAMA	8473 ( 1.5)	2256 ( 1.2)	6217 ( 1.6)
gls_comuna (%)	CALBUCO	674 ( 0.1)	234 ( 0.1)	440 ( 0.1)
gls_comuna (%)	CALDERA	2344 ( 0.4)	764 ( 0.4)	1580 ( 0.4)
gls_comuna (%)	CALERA DE TANGO	791 ( 0.1)	301 ( 0.2)	490 ( 0.1)
gls_comuna (%)	CALLE LARGA	135 ( 0.0)	44 ( 0.0)	91 ( 0.0)
gls_comuna (%)	CAMARONES	30 ( 0.0)	3 ( 0.0)	27 ( 0.0)
gls_comuna (%)	CAMINA	9 ( 0.0)	4 ( 0.0)	5 ( 0.0)
gls_comuna (%)	CANELA	47 ( 0.0)	22 ( 0.0)	25 ( 0.0)
gls_comuna (%)	CAÑETE	1126 ( 0.2)	312 ( 0.2)	814 ( 0.2)
gls_comuna (%)	CARAHUE	375 ( 0.1)	128 ( 0.1)	247 ( 0.1)
gls_comuna (%)	CARTAGENA	1394 ( 0.2)	518 ( 0.3)	876 ( 0.2)
gls_comuna (%)	CASABLANCA	1432 ( 0.3)	447 ( 0.2)	985 ( 0.3)
gls_comuna (%)	CASTRO	1499 ( 0.3)	461 ( 0.2)	1038 ( 0.3)
gls_comuna (%)	CATEMU	342 ( 0.1)	79 ( 0.0)	263 ( 0.1)
gls_comuna (%)	CAUQUENES	1171 ( 0.2)	434 ( 0.2)	737 ( 0.2)
gls_comuna (%)	CERRILLOS	3484 ( 0.6)	1204 ( 0.6)	2280 ( 0.6)
gls_comuna (%)	CERRO NAVIA	4628 ( 0.8)	1564 ( 0.8)	3064 ( 0.8)
gls_comuna (%)	CHAITEN	37 ( 0.0)	13 ( 0.0)	24 ( 0.0)
gls_comuna (%)	CHANCO	74 ( 0.0)	19 ( 0.0)	55 ( 0.0)
gls_comuna (%)	CHAÑARAL	2238 ( 0.4)	718 ( 0.4)	1520 ( 0.4)
gls_comuna (%)	CHEPICA	283 ( 0.0)	72 ( 0.0)	211 ( 0.1)
gls_comuna (%)	CHIGUAYANTE	1296 ( 0.2)	538 ( 0.3)	758 ( 0.2)
gls_comuna (%)	CHILE CHICO	426 ( 0.1)	167 ( 0.1)	259 ( 0.1)
gls_comuna (%)	CHILLAN	3764 ( 0.7)	1182 ( 0.6)	2582 ( 0.7)
gls_comuna (%)	CHILLAN VIEJO	302 ( 0.1)	116 ( 0.1)	186 ( 0.0)
gls_comuna (%)	CHIMBARONGO	623 ( 0.1)	167 ( 0.1)	456 ( 0.1)
gls_comuna (%)	CHOL CHOL	70 ( 0.0)	23 ( 0.0)	47 ( 0.0)
gls_comuna (%)	CHONCHI	152 ( 0.0)	45 ( 0.0)	107 ( 0.0)
gls_comuna (%)	CISNES	460 ( 0.1)	190 ( 0.1)	270 ( 0.1)
gls_comuna (%)	COBQUECURA	27 ( 0.0)	4 ( 0.0)	23 ( 0.0)
gls_comuna (%)	COCHAMO	5 ( 0.0)	3 ( 0.0)	2 ( 0.0)
gls_comuna (%)	COCHRANE	288 ( 0.1)	107 ( 0.1)	181 ( 0.0)
gls_comuna (%)	CODEGUA	226 ( 0.0)	78 ( 0.0)	148 ( 0.0)
gls_comuna (%)	COELEMU	157 ( 0.0)	38 ( 0.0)	119 ( 0.0)
gls_comuna (%)	COIHUECO	52 ( 0.0)	27 ( 0.0)	25 ( 0.0)
gls_comuna (%)	COINCO	63 ( 0.0)	16 ( 0.0)	47 ( 0.0)
gls_comuna (%)	COLBUN	102 ( 0.0)	34 ( 0.0)	68 ( 0.0)
gls_comuna (%)	COLCHANE	9 ( 0.0)	1 ( 0.0)	8 ( 0.0)
gls_comuna (%)	COLINA	7869 ( 1.4)	2570 ( 1.3)	5299 ( 1.4)
gls_comuna (%)	COLLIPULLI	976 ( 0.2)	408 ( 0.2)	568 ( 0.2)
gls_comuna (%)	COLTAUCO	209 ( 0.0)	61 ( 0.0)	148 ( 0.0)
gls_comuna (%)	COMBARBALA	124 ( 0.0)	40 ( 0.0)	84 ( 0.0)
gls_comuna (%)	CONCEPCION	7577 ( 1.3)	2400 ( 1.3)	5177 ( 1.4)
gls_comuna (%)	CONCHALI	4937 ( 0.9)	1533 ( 0.8)	3404 ( 0.9)
gls_comuna (%)	CONCON	1086 ( 0.2)	437 ( 0.2)	649 ( 0.2)
gls_comuna (%)	CONSTITUCION	1449 ( 0.3)	505 ( 0.3)	944 ( 0.3)
gls_comuna (%)	CONTULMO	39 ( 0.0)	15 ( 0.0)	24 ( 0.0)
gls_comuna (%)	COPIAPO	7567 ( 1.3)	2136 ( 1.1)	5431 ( 1.4)
gls_comuna (%)	COQUIMBO	7279 ( 1.3)	2679 ( 1.4)	4600 ( 1.2)
gls_comuna (%)	CORONEL	4175 ( 0.7)	1396 ( 0.7)	2779 ( 0.7)
gls_comuna (%)	CORRAL	26 ( 0.0)	17 ( 0.0)	9 ( 0.0)
gls_comuna (%)	COYHAIQUE	2693 ( 0.5)	999 ( 0.5)	1694 ( 0.4)
gls_comuna (%)	CUNCO	80 ( 0.0)	21 ( 0.0)	59 ( 0.0)
gls_comuna (%)	CURACAUTIN	79 ( 0.0)	29 ( 0.0)	50 ( 0.0)
gls_comuna (%)	CURACAVI	1618 ( 0.3)	547 ( 0.3)	1071 ( 0.3)
gls_comuna (%)	CURACO DE VELEZ	8 ( 0.0)	2 ( 0.0)	6 ( 0.0)
gls_comuna (%)	CURANILAHUE	1169 ( 0.2)	349 ( 0.2)	820 ( 0.2)
gls_comuna (%)	CURARREHUE	105 ( 0.0)	44 ( 0.0)	61 ( 0.0)
gls_comuna (%)	CUREPTO	38 ( 0.0)	8 ( 0.0)	30 ( 0.0)
gls_comuna (%)	CURICO	8686 ( 1.5)	2614 ( 1.4)	6072 ( 1.6)
gls_comuna (%)	DALCAHUE	191 ( 0.0)	55 ( 0.0)	136 ( 0.0)
gls_comuna (%)	DIEGO DE ALMAGRO	1030 ( 0.2)	313 ( 0.2)	717 ( 0.2)
gls_comuna (%)	DOQIHUE	255 ( 0.0)	100 ( 0.1)	155 ( 0.0)
gls_comuna (%)	EL BOSQUE	6006 ( 1.1)	2128 ( 1.1)	3878 ( 1.0)
gls_comuna (%)	EL CARMEN	40 ( 0.0)	7 ( 0.0)	33 ( 0.0)
gls_comuna (%)	EL MONTE	1666 ( 0.3)	564 ( 0.3)	1102 ( 0.3)
gls_comuna (%)	EL QUISCO	755 ( 0.1)	305 ( 0.2)	450 ( 0.1)
gls_comuna (%)	EL TABO	563 ( 0.1)	212 ( 0.1)	351 ( 0.1)
gls_comuna (%)	EMPEDRADO	19 ( 0.0)	8 ( 0.0)	11 ( 0.0)
gls_comuna (%)	ERCILLA	43 ( 0.0)	25 ( 0.0)	18 ( 0.0)
gls_comuna (%)	ESTACION CENTRAL	7182 ( 1.3)	2415 ( 1.3)	4767 ( 1.3)
gls_comuna (%)	FLORIDA	80 ( 0.0)	41 ( 0.0)	39 ( 0.0)
gls_comuna (%)	FREIRE	113 ( 0.0)	46 ( 0.0)	67 ( 0.0)
gls_comuna (%)	FREIRINA	410 ( 0.1)	183 ( 0.1)	227 ( 0.1)
gls_comuna (%)	FRESIA	53 ( 0.0)	9 ( 0.0)	44 ( 0.0)
gls_comuna (%)	FRUTILLAR	329 ( 0.1)	96 ( 0.1)	233 ( 0.1)
gls_comuna (%)	FUTALEUFU	30 ( 0.0)	2 ( 0.0)	28 ( 0.0)
gls_comuna (%)	FUTRONO	59 ( 0.0)	17 ( 0.0)	42 ( 0.0)
gls_comuna (%)	GALVARINO	35 ( 0.0)	16 ( 0.0)	19 ( 0.0)
gls_comuna (%)	GENERAL LAGOS	1 ( 0.0)	0 ( 0.0)	1 ( 0.0)
gls_comuna (%)	GORBEA	72 ( 0.0)	28 ( 0.0)	44 ( 0.0)
gls_comuna (%)	GRANEROS	1809 ( 0.3)	579 ( 0.3)	1230 ( 0.3)
gls_comuna (%)	GUAITECAS	37 ( 0.0)	11 ( 0.0)	26 ( 0.0)
gls_comuna (%)	HIJUELAS	251 ( 0.0)	93 ( 0.0)	158 ( 0.0)
gls_comuna (%)	HUALAIHUE	66 ( 0.0)	33 ( 0.0)	33 ( 0.0)
gls_comuna (%)	HUALAQE	210 ( 0.0)	55 ( 0.0)	155 ( 0.0)
gls_comuna (%)	HUALPEN	1914 ( 0.3)	585 ( 0.3)	1329 ( 0.4)
gls_comuna (%)	HUALQUI	198 ( 0.0)	105 ( 0.1)	93 ( 0.0)
gls_comuna (%)	HUARA	101 ( 0.0)	41 ( 0.0)	60 ( 0.0)
gls_comuna (%)	HUASCO	373 ( 0.1)	139 ( 0.1)	234 ( 0.1)
gls_comuna (%)	HUECHURABA	2971 ( 0.5)	864 ( 0.5)	2107 ( 0.6)
gls_comuna (%)	ILLAPEL	268 ( 0.0)	78 ( 0.0)	190 ( 0.1)
gls_comuna (%)	INDEPENDENCIA	3010 ( 0.5)	1163 ( 0.6)	1847 ( 0.5)
gls_comuna (%)	IQUIQUE	10697 ( 1.9)	2493 ( 1.3)	8204 ( 2.2)
gls_comuna (%)	ISLA DE MAIPO	1135 ( 0.2)	381 ( 0.2)	754 ( 0.2)
gls_comuna (%)	ISLA DE PASCUA	1893 ( 0.3)	696 ( 0.4)	1197 ( 0.3)
gls_comuna (%)	JUAN FERNANDEZ	18 ( 0.0)	6 ( 0.0)	12 ( 0.0)
gls_comuna (%)	LA CALERA	1495 ( 0.3)	370 ( 0.2)	1125 ( 0.3)
gls_comuna (%)	LA CISTERNA	3707 ( 0.7)	1437 ( 0.8)	2270 ( 0.6)
gls_comuna (%)	LA CRUZ	239 ( 0.0)	63 ( 0.0)	176 ( 0.0)
gls_comuna (%)	LA ESTRELLA	58 ( 0.0)	27 ( 0.0)	31 ( 0.0)
gls_comuna (%)	LA FLORIDA	12025 ( 2.1)	3829 ( 2.0)	8196 ( 2.2)
gls_comuna (%)	LA GRANJA	4920 ( 0.9)	1973 ( 1.0)	2947 ( 0.8)
gls_comuna (%)	LA HIGUERA	104 ( 0.0)	31 ( 0.0)	73 ( 0.0)
gls_comuna (%)	LA LIGUA	736 ( 0.1)	164 ( 0.1)	572 ( 0.2)
gls_comuna (%)	LA PINTANA	9202 ( 1.6)	3811 ( 2.0)	5391 ( 1.4)
gls_comuna (%)	LA REINA	2537 ( 0.4)	688 ( 0.4)	1849 ( 0.5)
gls_comuna (%)	LA SERENA	8020 ( 1.4)	2748 ( 1.4)	5272 ( 1.4)
gls_comuna (%)	LA UNION	715 ( 0.1)	234 ( 0.1)	481 ( 0.1)
gls_comuna (%)	LAGO RANCO	51 ( 0.0)	20 ( 0.0)	31 ( 0.0)
gls_comuna (%)	LAGO VERDE	27 ( 0.0)	8 ( 0.0)	19 ( 0.0)
gls_comuna (%)	LAGUNA BLANCA	2 ( 0.0)	1 ( 0.0)	1 ( 0.0)
gls_comuna (%)	LAJA	418 ( 0.1)	149 ( 0.1)	269 ( 0.1)
gls_comuna (%)	LAMPA	3214 ( 0.6)	1422 ( 0.7)	1792 ( 0.5)
gls_comuna (%)	LANCO	96 ( 0.0)	31 ( 0.0)	65 ( 0.0)
gls_comuna (%)	LAS CABRAS	435 ( 0.1)	150 ( 0.1)	285 ( 0.1)
gls_comuna (%)	LAS CONDES	3949 ( 0.7)	895 ( 0.5)	3054 ( 0.8)
gls_comuna (%)	LAUTARO	245 ( 0.0)	66 ( 0.0)	179 ( 0.0)
gls_comuna (%)	LEBU	636 ( 0.1)	259 ( 0.1)	377 ( 0.1)
gls_comuna (%)	LICANTEN	298 ( 0.1)	63 ( 0.0)	235 ( 0.1)
gls_comuna (%)	LIMACHE	878 ( 0.2)	256 ( 0.1)	622 ( 0.2)
gls_comuna (%)	LINARES	2313 ( 0.4)	736 ( 0.4)	1577 ( 0.4)
gls_comuna (%)	LITUECHE	121 ( 0.0)	29 ( 0.0)	92 ( 0.0)
gls_comuna (%)	LLAILLAY	705 ( 0.1)	198 ( 0.1)	507 ( 0.1)
gls_comuna (%)	LLANQUIHUE	238 ( 0.0)	82 ( 0.0)	156 ( 0.0)
gls_comuna (%)	LO BARNECHEA	3028 ( 0.5)	904 ( 0.5)	2124 ( 0.6)
gls_comuna (%)	LO ESPEJO	4461 ( 0.8)	1761 ( 0.9)	2700 ( 0.7)
gls_comuna (%)	LO PRADO	5157 ( 0.9)	1916 ( 1.0)	3241 ( 0.9)
gls_comuna (%)	LOLOL	35 ( 0.0)	8 ( 0.0)	27 ( 0.0)
gls_comuna (%)	LONCOCHE	226 ( 0.0)	97 ( 0.1)	129 ( 0.0)
gls_comuna (%)	LONGAVI	175 ( 0.0)	76 ( 0.0)	99 ( 0.0)
gls_comuna (%)	LONQUIMAY	31 ( 0.0)	10 ( 0.0)	21 ( 0.0)
gls_comuna (%)	LOS ALAMOS	234 ( 0.0)	86 ( 0.0)	148 ( 0.0)
gls_comuna (%)	LOS ANDES	2407 ( 0.4)	702 ( 0.4)	1705 ( 0.5)
gls_comuna (%)	LOS ANGELES	4698 ( 0.8)	1354 ( 0.7)	3344 ( 0.9)
gls_comuna (%)	LOS LAGOS	94 ( 0.0)	37 ( 0.0)	57 ( 0.0)
gls_comuna (%)	LOS MUERMOS	61 ( 0.0)	31 ( 0.0)	30 ( 0.0)
gls_comuna (%)	LOS SAUCES	332 ( 0.1)	120 ( 0.1)	212 ( 0.1)
gls_comuna (%)	LOS VILOS	1111 ( 0.2)	449 ( 0.2)	662 ( 0.2)
gls_comuna (%)	LOTA	1688 ( 0.3)	597 ( 0.3)	1091 ( 0.3)
gls_comuna (%)	LUMACO	77 ( 0.0)	28 ( 0.0)	49 ( 0.0)
gls_comuna (%)	MACHALI	920 ( 0.2)	346 ( 0.2)	574 ( 0.2)
gls_comuna (%)	MACUL	4537 ( 0.8)	1498 ( 0.8)	3039 ( 0.8)
gls_comuna (%)	MAFIL	34 ( 0.0)	13 ( 0.0)	21 ( 0.0)
gls_comuna (%)	MAIPU	9902 ( 1.7)	3385 ( 1.8)	6517 ( 1.7)
gls_comuna (%)	MALLOA	155 ( 0.0)	39 ( 0.0)	116 ( 0.0)
gls_comuna (%)	MARCHIHUE	109 ( 0.0)	34 ( 0.0)	75 ( 0.0)
gls_comuna (%)	MARIA ELENA	174 ( 0.0)	52 ( 0.0)	122 ( 0.0)
gls_comuna (%)	MARIA PINTO	562 ( 0.1)	184 ( 0.1)	378 ( 0.1)
gls_comuna (%)	MARIQUINA	239 ( 0.0)	95 ( 0.0)	144 ( 0.0)
gls_comuna (%)	MAULE	589 ( 0.1)	226 ( 0.1)	363 ( 0.1)
gls_comuna (%)	MAULLIN	69 ( 0.0)	16 ( 0.0)	53 ( 0.0)
gls_comuna (%)	MEJILLONES	603 ( 0.1)	280 ( 0.1)	323 ( 0.1)
gls_comuna (%)	MELIPEUCO	57 ( 0.0)	23 ( 0.0)	34 ( 0.0)
gls_comuna (%)	MELIPILLA	8236 ( 1.4)	3018 ( 1.6)	5218 ( 1.4)
gls_comuna (%)	MOLINA	1383 ( 0.2)	458 ( 0.2)	925 ( 0.2)
gls_comuna (%)	MONTE PATRIA	468 ( 0.1)	152 ( 0.1)	316 ( 0.1)
gls_comuna (%)	MOSTAZAL	835 ( 0.1)	288 ( 0.2)	547 ( 0.1)
gls_comuna (%)	MULCHEN	499 ( 0.1)	151 ( 0.1)	348 ( 0.1)
gls_comuna (%)	NACIMIENTO	417 ( 0.1)	98 ( 0.1)	319 ( 0.1)
gls_comuna (%)	NANCAGUA	468 ( 0.1)	162 ( 0.1)	306 ( 0.1)
gls_comuna (%)	NATALES	732 ( 0.1)	281 ( 0.1)	451 ( 0.1)
gls_comuna (%)	NAVARINO	26 ( 0.0)	7 ( 0.0)	19 ( 0.0)
gls_comuna (%)	NAVIDAD	67 ( 0.0)	25 ( 0.0)	42 ( 0.0)
gls_comuna (%)	NEGRETE	101 ( 0.0)	24 ( 0.0)	77 ( 0.0)
gls_comuna (%)	NINHUE	12 ( 0.0)	7 ( 0.0)	5 ( 0.0)
gls_comuna (%)	No Definido	4 ( 0.0)	1 ( 0.0)	3 ( 0.0)
gls_comuna (%)	NOGALES	325 ( 0.1)	135 ( 0.1)	190 ( 0.1)
gls_comuna (%)	NUEVA IMPERIAL	730 ( 0.1)	240 ( 0.1)	490 ( 0.1)
gls_comuna (%)	ÑIQUEN	24 ( 0.0)	13 ( 0.0)	11 ( 0.0)
gls_comuna (%)	ÑUÑOA	4617 ( 0.8)	1507 ( 0.8)	3110 ( 0.8)
gls_comuna (%)	OHIGGINS	31 ( 0.0)	12 ( 0.0)	19 ( 0.0)
gls_comuna (%)	OLIVAR	219 ( 0.0)	109 ( 0.1)	110 ( 0.0)
gls_comuna (%)	OLLAGUE	3 ( 0.0)	1 ( 0.0)	2 ( 0.0)
gls_comuna (%)	OLMUE	85 ( 0.0)	31 ( 0.0)	54 ( 0.0)
gls_comuna (%)	OSORNO	5155 ( 0.9)	1600 ( 0.8)	3555 ( 0.9)
gls_comuna (%)	OVALLE	3591 ( 0.6)	1092 ( 0.6)	2499 ( 0.7)
gls_comuna (%)	PADRE DE LAS CASAS	763 ( 0.1)	356 ( 0.2)	407 ( 0.1)
gls_comuna (%)	PADRE HURTADO	1763 ( 0.3)	691 ( 0.4)	1072 ( 0.3)
gls_comuna (%)	PAIHUANO	110 ( 0.0)	37 ( 0.0)	73 ( 0.0)
gls_comuna (%)	PAILLACO	200 ( 0.0)	56 ( 0.0)	144 ( 0.0)
gls_comuna (%)	PAINE	1448 ( 0.3)	503 ( 0.3)	945 ( 0.3)
gls_comuna (%)	PALENA	20 ( 0.0)	7 ( 0.0)	13 ( 0.0)
gls_comuna (%)	PALMILLA	164 ( 0.0)	36 ( 0.0)	128 ( 0.0)
gls_comuna (%)	PANGUIPULLI	435 ( 0.1)	172 ( 0.1)	263 ( 0.1)
gls_comuna (%)	PANQUEHUE	130 ( 0.0)	37 ( 0.0)	93 ( 0.0)
gls_comuna (%)	PAPUDO	44 ( 0.0)	18 ( 0.0)	26 ( 0.0)
gls_comuna (%)	PAREDONES	38 ( 0.0)	16 ( 0.0)	22 ( 0.0)
gls_comuna (%)	PARRAL	899 ( 0.2)	318 ( 0.2)	581 ( 0.2)
gls_comuna (%)	PEDRO AGUIRRE CERDA	3995 ( 0.7)	1569 ( 0.8)	2426 ( 0.6)
gls_comuna (%)	PELARCO	150 ( 0.0)	56 ( 0.0)	94 ( 0.0)
gls_comuna (%)	PELLUHUE	306 ( 0.1)	96 ( 0.1)	210 ( 0.1)
gls_comuna (%)	PEMUCO	22 ( 0.0)	14 ( 0.0)	8 ( 0.0)
gls_comuna (%)	PENCAHUE	67 ( 0.0)	13 ( 0.0)	54 ( 0.0)
gls_comuna (%)	PENCO	1559 ( 0.3)	616 ( 0.3)	943 ( 0.3)
gls_comuna (%)	PEÑAFLOR	3416 ( 0.6)	1097 ( 0.6)	2319 ( 0.6)
gls_comuna (%)	PEÑALOLEN	8472 ( 1.5)	3234 ( 1.7)	5238 ( 1.4)
gls_comuna (%)	PERALILLO	264 ( 0.0)	74 ( 0.0)	190 ( 0.1)
gls_comuna (%)	PERQUENCO	25 ( 0.0)	6 ( 0.0)	19 ( 0.0)
gls_comuna (%)	PETORCA	104 ( 0.0)	29 ( 0.0)	75 ( 0.0)
gls_comuna (%)	PEUMO	411 ( 0.1)	104 ( 0.1)	307 ( 0.1)
gls_comuna (%)	PICA	450 ( 0.1)	146 ( 0.1)	304 ( 0.1)
gls_comuna (%)	PICHIDEGUA	184 ( 0.0)	70 ( 0.0)	114 ( 0.0)
gls_comuna (%)	PICHILEMU	1593 ( 0.3)	529 ( 0.3)	1064 ( 0.3)
gls_comuna (%)	PINTO	97 ( 0.0)	35 ( 0.0)	62 ( 0.0)
gls_comuna (%)	PIRQUE	532 ( 0.1)	233 ( 0.1)	299 ( 0.1)
gls_comuna (%)	PITRUFQUEN	154 ( 0.0)	66 ( 0.0)	88 ( 0.0)
gls_comuna (%)	PLACILLA	121 ( 0.0)	54 ( 0.0)	67 ( 0.0)
gls_comuna (%)	PORTEZUELO	14 ( 0.0)	5 ( 0.0)	9 ( 0.0)
gls_comuna (%)	PORVENIR	90 ( 0.0)	24 ( 0.0)	66 ( 0.0)
gls_comuna (%)	POZO ALMONTE	1010 ( 0.2)	275 ( 0.1)	735 ( 0.2)
gls_comuna (%)	PRIMAVERA	8 ( 0.0)	5 ( 0.0)	3 ( 0.0)
gls_comuna (%)	PROVIDENCIA	4025 ( 0.7)	1227 ( 0.6)	2798 ( 0.7)
gls_comuna (%)	PUCHUNCAVI	720 ( 0.1)	295 ( 0.2)	425 ( 0.1)
gls_comuna (%)	PUCON	1542 ( 0.3)	585 ( 0.3)	957 ( 0.3)
gls_comuna (%)	PUDAHUEL	10528 ( 1.9)	4073 ( 2.1)	6455 ( 1.7)
gls_comuna (%)	PUENTE ALTO	16927 ( 3.0)	6026 ( 3.2)	10901 ( 2.9)
gls_comuna (%)	PUERTO MONTT	6607 ( 1.2)	2145 ( 1.1)	4462 ( 1.2)
gls_comuna (%)	PUERTO OCTAY	123 ( 0.0)	47 ( 0.0)	76 ( 0.0)
gls_comuna (%)	PUERTO VARAS	1152 ( 0.2)	374 ( 0.2)	778 ( 0.2)
gls_comuna (%)	PUMANQUE	8 ( 0.0)	6 ( 0.0)	2 ( 0.0)
gls_comuna (%)	PUNITAQUI	151 ( 0.0)	52 ( 0.0)	99 ( 0.0)
gls_comuna (%)	PUNTA ARENAS	4333 ( 0.8)	1643 ( 0.9)	2690 ( 0.7)
gls_comuna (%)	PUQUELDON	13 ( 0.0)	2 ( 0.0)	11 ( 0.0)
gls_comuna (%)	PUREN	431 ( 0.1)	169 ( 0.1)	262 ( 0.1)
gls_comuna (%)	PURRANQUE	604 ( 0.1)	238 ( 0.1)	366 ( 0.1)
gls_comuna (%)	PUTAENDO	186 ( 0.0)	57 ( 0.0)	129 ( 0.0)
gls_comuna (%)	PUTRE	22 ( 0.0)	14 ( 0.0)	8 ( 0.0)
gls_comuna (%)	PUYEHUE	44 ( 0.0)	17 ( 0.0)	27 ( 0.0)
gls_comuna (%)	QUEILEN	17 ( 0.0)	7 ( 0.0)	10 ( 0.0)
gls_comuna (%)	QUELLON	1232 ( 0.2)	549 ( 0.3)	683 ( 0.2)
gls_comuna (%)	QUEMCHI	70 ( 0.0)	14 ( 0.0)	56 ( 0.0)
gls_comuna (%)	QUILACO	53 ( 0.0)	14 ( 0.0)	39 ( 0.0)
gls_comuna (%)	QUILICURA	6867 ( 1.2)	2387 ( 1.2)	4480 ( 1.2)
gls_comuna (%)	QUILLECO	32 ( 0.0)	12 ( 0.0)	20 ( 0.0)
gls_comuna (%)	QUILLON	232 ( 0.0)	67 ( 0.0)	165 ( 0.0)
gls_comuna (%)	QUILLOTA	4114 ( 0.7)	1013 ( 0.5)	3101 ( 0.8)
gls_comuna (%)	QUILPUE	2634 ( 0.5)	887 ( 0.5)	1747 ( 0.5)
gls_comuna (%)	QUINCHAO	49 ( 0.0)	14 ( 0.0)	35 ( 0.0)
gls_comuna (%)	QUINTA DE TILCOCO	188 ( 0.0)	76 ( 0.0)	112 ( 0.0)
gls_comuna (%)	QUINTA NORMAL	3796 ( 0.7)	1434 ( 0.8)	2362 ( 0.6)
gls_comuna (%)	QUINTERO	2020 ( 0.4)	735 ( 0.4)	1285 ( 0.3)
gls_comuna (%)	QUIRIHUE	132 ( 0.0)	35 ( 0.0)	97 ( 0.0)
gls_comuna (%)	RANCAGUA	11887 ( 2.1)	4382 ( 2.3)	7505 ( 2.0)
gls_comuna (%)	RANQUIL	33 ( 0.0)	13 ( 0.0)	20 ( 0.0)
gls_comuna (%)	RAUCO	92 ( 0.0)	27 ( 0.0)	65 ( 0.0)
gls_comuna (%)	RECOLETA	6252 ( 1.1)	2383 ( 1.2)	3869 ( 1.0)
gls_comuna (%)	RENAICO	396 ( 0.1)	177 ( 0.1)	219 ( 0.1)
gls_comuna (%)	RENCA	5049 ( 0.9)	1676 ( 0.9)	3373 ( 0.9)
gls_comuna (%)	RENGO	2138 ( 0.4)	584 ( 0.3)	1554 ( 0.4)
gls_comuna (%)	REQUINOA	357 ( 0.1)	115 ( 0.1)	242 ( 0.1)
gls_comuna (%)	RETIRO	67 ( 0.0)	26 ( 0.0)	41 ( 0.0)
gls_comuna (%)	RINCONADA	166 ( 0.0)	43 ( 0.0)	123 ( 0.0)
gls_comuna (%)	RIO BUENO	646 ( 0.1)	233 ( 0.1)	413 ( 0.1)
gls_comuna (%)	RIO CLARO	88 ( 0.0)	38 ( 0.0)	50 ( 0.0)
gls_comuna (%)	RIO HURTADO	15 ( 0.0)	5 ( 0.0)	10 ( 0.0)
gls_comuna (%)	RIO IBAQEZ	23 ( 0.0)	9 ( 0.0)	14 ( 0.0)
gls_comuna (%)	RIO NEGRO	254 ( 0.0)	100 ( 0.1)	154 ( 0.0)
gls_comuna (%)	RIO VERDE	3 ( 0.0)	2 ( 0.0)	1 ( 0.0)
gls_comuna (%)	ROMERAL	351 ( 0.1)	110 ( 0.1)	241 ( 0.1)
gls_comuna (%)	SAAVEDRA	79 ( 0.0)	31 ( 0.0)	48 ( 0.0)
gls_comuna (%)	SAGRADA FAMILIA	368 ( 0.1)	155 ( 0.1)	213 ( 0.1)
gls_comuna (%)	SALAMANCA	185 ( 0.0)	63 ( 0.0)	122 ( 0.0)
gls_comuna (%)	SAN ANTONIO	3880 ( 0.7)	1286 ( 0.7)	2594 ( 0.7)
gls_comuna (%)	SAN BERNARDO	11907 ( 2.1)	4673 ( 2.4)	7234 ( 1.9)
gls_comuna (%)	SAN CARLOS	380 ( 0.1)	113 ( 0.1)	267 ( 0.1)
gls_comuna (%)	SAN CLEMENTE	749 ( 0.1)	203 ( 0.1)	546 ( 0.1)
gls_comuna (%)	SAN ESTEBAN	295 ( 0.1)	135 ( 0.1)	160 ( 0.0)
gls_comuna (%)	SAN FABIAN	20 ( 0.0)	10 ( 0.0)	10 ( 0.0)
gls_comuna (%)	SAN FELIPE	2489 ( 0.4)	839 ( 0.4)	1650 ( 0.4)
gls_comuna (%)	SAN FERNANDO	4961 ( 0.9)	1596 ( 0.8)	3365 ( 0.9)
gls_comuna (%)	SAN IGNACIO	75 ( 0.0)	39 ( 0.0)	36 ( 0.0)
gls_comuna (%)	SAN JAVIER	1165 ( 0.2)	306 ( 0.2)	859 ( 0.2)
gls_comuna (%)	SAN JOAQUIN	3834 ( 0.7)	1428 ( 0.7)	2406 ( 0.6)
gls_comuna (%)	SAN JOSE DE MAIPO	710 ( 0.1)	298 ( 0.2)	412 ( 0.1)
gls_comuna (%)	SAN JUAN DE LA COSTA	60 ( 0.0)	23 ( 0.0)	37 ( 0.0)
gls_comuna (%)	SAN MIGUEL	4601 ( 0.8)	1481 ( 0.8)	3120 ( 0.8)
gls_comuna (%)	SAN NICOLAS	21 ( 0.0)	12 ( 0.0)	9 ( 0.0)
gls_comuna (%)	SAN PABLO	70 ( 0.0)	29 ( 0.0)	41 ( 0.0)
gls_comuna (%)	SAN PEDRO	143 ( 0.0)	63 ( 0.0)	80 ( 0.0)
gls_comuna (%)	SAN PEDRO DE ATACAMA	477 ( 0.1)	148 ( 0.1)	329 ( 0.1)
gls_comuna (%)	SAN PEDRO DE LA PAZ	2249 ( 0.4)	867 ( 0.5)	1382 ( 0.4)
gls_comuna (%)	SAN RAFAEL	98 ( 0.0)	34 ( 0.0)	64 ( 0.0)
gls_comuna (%)	SAN RAMON	4878 ( 0.9)	1635 ( 0.9)	3243 ( 0.9)
gls_comuna (%)	SAN ROSENDO	36 ( 0.0)	12 ( 0.0)	24 ( 0.0)
gls_comuna (%)	SAN VICENTE	2026 ( 0.4)	679 ( 0.4)	1347 ( 0.4)
gls_comuna (%)	SANTA BARBARA	525 ( 0.1)	223 ( 0.1)	302 ( 0.1)
gls_comuna (%)	SANTA CRUZ	2260 ( 0.4)	626 ( 0.3)	1634 ( 0.4)
gls_comuna (%)	SANTA JUANA	326 ( 0.1)	121 ( 0.1)	205 ( 0.1)
gls_comuna (%)	SANTA MARIA	227 ( 0.0)	73 ( 0.0)	154 ( 0.0)
gls_comuna (%)	SANTIAGO	17075 ( 3.0)	5807 ( 3.0)	11268 ( 3.0)
gls_comuna (%)	SANTO DOMINGO	118 ( 0.0)	26 ( 0.0)	92 ( 0.0)
gls_comuna (%)	SIERRA GORDA	42 ( 0.0)	13 ( 0.0)	29 ( 0.0)
gls_comuna (%)	TALAGANTE	4381 ( 0.8)	1440 ( 0.8)	2941 ( 0.8)
gls_comuna (%)	TALCA	8231 ( 1.4)	2813 ( 1.5)	5418 ( 1.4)
gls_comuna (%)	TALCAHUANO	4009 ( 0.7)	1332 ( 0.7)	2677 ( 0.7)
gls_comuna (%)	TALTAL	1212 ( 0.2)	312 ( 0.2)	900 ( 0.2)
gls_comuna (%)	TEMUCO	4709 ( 0.8)	1846 ( 1.0)	2863 ( 0.8)
gls_comuna (%)	TENO	343 ( 0.1)	118 ( 0.1)	225 ( 0.1)
gls_comuna (%)	TEODORO SCHMIDT	73 ( 0.0)	27 ( 0.0)	46 ( 0.0)
gls_comuna (%)	TIERRA AMARILLA	476 ( 0.1)	200 ( 0.1)	276 ( 0.1)
gls_comuna (%)	TIL TIL	790 ( 0.1)	281 ( 0.1)	509 ( 0.1)
gls_comuna (%)	TINAUKEL	3 ( 0.0)	2 ( 0.0)	1 ( 0.0)
gls_comuna (%)	TIRUA	62 ( 0.0)	26 ( 0.0)	36 ( 0.0)
gls_comuna (%)	TOCOPILLA	2060 ( 0.4)	624 ( 0.3)	1436 ( 0.4)
gls_comuna (%)	TOLTEN	39 ( 0.0)	14 ( 0.0)	25 ( 0.0)
gls_comuna (%)	TOME	1473 ( 0.3)	478 ( 0.3)	995 ( 0.3)
gls_comuna (%)	TORRES DEL PAINE	2 ( 0.0)	1 ( 0.0)	1 ( 0.0)
gls_comuna (%)	TORTEL	65 ( 0.0)	10 ( 0.0)	55 ( 0.0)
gls_comuna (%)	TRAIGUEN	198 ( 0.0)	68 ( 0.0)	130 ( 0.0)
gls_comuna (%)	TREGUACO	32 ( 0.0)	9 ( 0.0)	23 ( 0.0)
gls_comuna (%)	TUCAPEL	86 ( 0.0)	36 ( 0.0)	50 ( 0.0)
gls_comuna (%)	VALDIVIA	5850 ( 1.0)	2034 ( 1.1)	3816 ( 1.0)
gls_comuna (%)	VALLENAR	3206 ( 0.6)	1003 ( 0.5)	2203 ( 0.6)
gls_comuna (%)	VALPARAISO	10402 ( 1.8)	3548 ( 1.9)	6854 ( 1.8)
gls_comuna (%)	VICHUQUEN	38 ( 0.0)	17 ( 0.0)	21 ( 0.0)
gls_comuna (%)	VICTORIA	1205 ( 0.2)	368 ( 0.2)	837 ( 0.2)
gls_comuna (%)	VICUÑA	1116 ( 0.2)	319 ( 0.2)	797 ( 0.2)
gls_comuna (%)	VILCUN	115 ( 0.0)	40 ( 0.0)	75 ( 0.0)
gls_comuna (%)	VILLA ALEGRE	429 ( 0.1)	157 ( 0.1)	272 ( 0.1)
gls_comuna (%)	VILLA ALEMANA	2256 ( 0.4)	671 ( 0.4)	1585 ( 0.4)
gls_comuna (%)	VILLARRICA	1011 ( 0.2)	395 ( 0.2)	616 ( 0.2)
gls_comuna (%)	VIQA DEL MAR	10056 ( 1.8)	3062 ( 1.6)	6994 ( 1.9)
gls_comuna (%)	VITACURA	829 ( 0.1)	281 ( 0.1)	548 ( 0.1)
gls_comuna (%)	YERBAS BUENAS	110 ( 0.0)	30 ( 0.0)	80 ( 0.0)
gls_comuna (%)	YUMBEL	280 ( 0.0)	70 ( 0.0)	210 ( 0.1)
gls_comuna (%)	YUNGAY	134 ( 0.0)	42 ( 0.0)	92 ( 0.0)
gls_comuna (%)	ZAPALLAR	79 ( 0.0)	22 ( 0.0)	57 ( 0.0)
gls_comuna (%)	[Missing]	1048 ( 0.2)	201 ( 0.1)	847 ( 0.2)
region_delito (%)	I Región de Tarapaca	18057 ( 3.2)	4606 ( 2.4)	13451 ( 3.6)	<0.001		0.122
region_delito (%)	II Región de Antofagasta	27292 ( 4.8)	7555 ( 4.0)	19737 ( 5.2)
region_delito (%)	III Región de Atacama	17691 ( 3.1)	5475 ( 2.9)	12216 ( 3.2)
region_delito (%)	IV Región de Coquimbo	23064 ( 4.1)	7922 ( 4.1)	15142 ( 4.0)
region_delito (%)	IX Región de la Araucanía	15573 ( 2.7)	5917 ( 3.1)	9656 ( 2.6)
region_delito (%)	No Definido	4 ( 0.0)	1 ( 0.0)	3 ( 0.0)
region_delito (%)	Región Metropolitana de Santiago	250012 ( 44.0)	88240 ( 46.2)	161772 ( 42.9)
region_delito (%)	RM Centro Norte	18 ( 0.0)	11 ( 0.0)	7 ( 0.0)
region_delito (%)	RM Occidente	13 ( 0.0)	3 ( 0.0)	10 ( 0.0)
region_delito (%)	RM Oriente	9 ( 0.0)	2 ( 0.0)	7 ( 0.0)
region_delito (%)	RM Sur	99 ( 0.0)	1 ( 0.0)	98 ( 0.0)
region_delito (%)	V Región de Valparaíso	55331 ( 9.7)	17747 ( 9.3)	37584 ( 10.0)
region_delito (%)	VI Región del Libertador Gral. Bernardo O Higgins	33490 ( 5.9)	11237 ( 5.9)	22253 ( 5.9)
region_delito (%)	VII Región del Maule	30058 ( 5.3)	9753 ( 5.1)	20305 ( 5.4)
region_delito (%)	VIII Región del Bio Bio	38590 ( 6.8)	12729 ( 6.7)	25861 ( 6.9)
region_delito (%)	X Región de los Lagos	19392 ( 3.4)	6448 ( 3.4)	12944 ( 3.4)
region_delito (%)	XI Región Aysen del Gral. Carlos Ibañez del Campo	5364 ( 0.9)	2004 ( 1.0)	3360 ( 0.9)
region_delito (%)	XII Región de Magallanes y de la Antartica Chilena	5201 ( 0.9)	1966 ( 1.0)	3235 ( 0.9)
region_delito (%)	XIV Región de los Rios	8409 ( 1.5)	2951 ( 1.5)	5458 ( 1.4)
region_delito (%)	XV Región de Arica y Parinacota	13870 ( 2.4)	4542 ( 2.4)	9328 ( 2.5)
region_delito (%)	XVI Región del Ñuble	5712 ( 1.0)	1854 ( 1.0)	3858 ( 1.0)
region_delito (%)	[Missing]	1048 ( 0.2)	201 ( 0.1)	847 ( 0.2)
medidas_155 (%)	SI	57377 ( 10.1)	11043 ( 5.8)	46334 ( 12.3)	<0.001		0.229
medidas_155 (%)	[Missing]	510920 ( 89.9)	180122 ( 94.2)	330798 ( 87.7)
medidas_pp (%)	SI	22296 ( 3.9)	4559 ( 2.4)	17737 ( 4.7)	<0.001		0.126
medidas_pp (%)	[Missing]	546001 ( 96.1)	186606 ( 97.6)	359395 ( 95.3)
medidas_ip (%)	SI	733 ( 0.1)	325 ( 0.2)	408 ( 0.1)	<0.001		0.017
medidas_ip (%)	[Missing]	567564 ( 99.9)	190840 ( 99.8)	376724 ( 99.9)
marca_suspension_43 (%)	NO	67195 ( 11.8)	7257 ( 3.8)	59938 ( 15.9)	<0.001		0.424
marca_suspension_43 (%)	SI	2341 ( 0.4)	210 ( 0.1)	2131 ( 0.6)
marca_suspension_43 (%)	[Missing]	498761 ( 87.8)	183698 ( 96.1)	315063 ( 83.5)
marca_pena_44 (%)	SI	69536 ( 12.2)	7467 ( 3.9)	62069 ( 16.5)	<0.001		0.424
marca_pena_44 (%)	[Missing]	498761 ( 87.8)	183698 ( 96.1)	315063 ( 83.5)
marca_multa_45 (%)	NO	35220 ( 6.2)	5729 ( 3.0)	29491 ( 7.8)	<0.001		0.441
marca_multa_45 (%)	SI	34316 ( 6.0)	1738 ( 0.9)	32578 ( 8.6)
marca_multa_45 (%)	[Missing]	498761 ( 87.8)	183698 ( 96.1)	315063 ( 83.5)
medida_alternativa_46 (%)	Libertad Vigilada	3219 ( 0.6)	390 ( 0.2)	2829 ( 0.8)	<0.001		0.329
medida_alternativa_46 (%)	Otra	4988 ( 0.9)	389 ( 0.2)	4599 ( 1.2)
medida_alternativa_46 (%)	Reclusión Nocturna	14058 ( 2.5)	1255 ( 0.7)	12803 ( 3.4)
medida_alternativa_46 (%)	Remisión Condicional	18345 ( 3.2)	1932 ( 1.0)	16413 ( 4.4)
medida_alternativa_46 (%)	[Missing]	527687 ( 92.9)	187199 ( 97.9)	340488 ( 90.3)
clasificacion_pena_47 (%)	Presidio Mayor grado máximo	88 ( 0.0)	40 ( 0.0)	48 ( 0.0)	<0.001		0.434
clasificacion_pena_47 (%)	Presidio Mayor grado medio	468 ( 0.1)	161 ( 0.1)	307 ( 0.1)
clasificacion_pena_47 (%)	Presidio Mayor grado mínimo	1927 ( 0.3)	363 ( 0.2)	1564 ( 0.4)
clasificacion_pena_47 (%)	Presidio Menor grado máximo	4990 ( 0.9)	723 ( 0.4)	4267 ( 1.1)
clasificacion_pena_47 (%)	Presidio Menor grado medio	8798 ( 1.5)	1103 ( 0.6)	7695 ( 2.0)
clasificacion_pena_47 (%)	Presidio Menor grado mínimo	29560 ( 5.2)	3737 ( 2.0)	25823 ( 6.8)
clasificacion_pena_47 (%)	Presidio Perpetuo calificado	1 ( 0.0)	0 ( 0.0)	1 ( 0.0)
clasificacion_pena_47 (%)	Presidio Perpetuo simple	15 ( 0.0)	3 ( 0.0)	12 ( 0.0)
clasificacion_pena_47 (%)	Prisión	23689 ( 4.2)	1337 ( 0.7)	22352 ( 5.9)
clasificacion_pena_47 (%)	[Missing]	498761 ( 87.8)	183698 ( 96.1)	315063 ( 83.5)
marca_suspension_51 (%)	NO	74 ( 0.0)	10 ( 0.0)	64 ( 0.0)	0.001		0.011
marca_suspension_51 (%)	SI	3 ( 0.0)	1 ( 0.0)	2 ( 0.0)
marca_suspension_51 (%)	[Missing]	568220 (100.0)	191154 (100.0)	377066 (100.0)
marca_pena_52 (%)	SI	77 ( 0.0)	11 ( 0.0)	66 ( 0.0)	0.001		0.011
marca_pena_52 (%)	[Missing]	568220 (100.0)	191154 (100.0)	377066 (100.0)
marca_multa_53 (%)	NO	46 ( 0.0)	8 ( 0.0)	38 ( 0.0)	0.001		0.011
marca_multa_53 (%)	SI	31 ( 0.0)	3 ( 0.0)	28 ( 0.0)
marca_multa_53 (%)	[Missing]	568220 (100.0)	191154 (100.0)	377066 (100.0)
medida_alternativa_54 (%)	Libertad Vigilada	8 ( 0.0)	0 ( 0.0)	8 ( 0.0)	0.003		0.013
medida_alternativa_54 (%)	Otra	5 ( 0.0)	0 ( 0.0)	5 ( 0.0)
medida_alternativa_54 (%)	Reclusión Nocturna	17 ( 0.0)	3 ( 0.0)	14 ( 0.0)
medida_alternativa_54 (%)	Remisión Condicional	15 ( 0.0)	0 ( 0.0)	15 ( 0.0)
medida_alternativa_54 (%)	[Missing]	568252 (100.0)	191162 (100.0)	377090 (100.0)
clasificacion_pena_55 (%)	Presidio Mayor grado medio	3 ( 0.0)	3 ( 0.0)	0 ( 0.0)	<0.001		0.015
clasificacion_pena_55 (%)	Presidio Mayor grado mínimo	5 ( 0.0)	0 ( 0.0)	5 ( 0.0)
clasificacion_pena_55 (%)	Presidio Menor grado máximo	12 ( 0.0)	2 ( 0.0)	10 ( 0.0)
clasificacion_pena_55 (%)	Presidio Menor grado medio	9 ( 0.0)	3 ( 0.0)	6 ( 0.0)
clasificacion_pena_55 (%)	Presidio Menor grado mínimo	21 ( 0.0)	2 ( 0.0)	19 ( 0.0)
clasificacion_pena_55 (%)	Prisión	27 ( 0.0)	1 ( 0.0)	26 ( 0.0)
clasificacion_pena_55 (%)	[Missing]	568220 (100.0)	191154 (100.0)	377066 (100.0)
Note. Continuous variables are presented as Medians and Percentiles 25 and 75 were shown;
Categorical variables are presented as number (%)

rbind(
cbind(cat="Date of comission of the crime",
base_fiscalia %>% 
  dplyr::summarise(min = min(fec_comision_simple, na.rm=T),
                   p025=as.Date(quantile(unclass(fec_comision_simple), .025, na.rm=T), origin = "1970-01-01"),
                   p25=as.Date(quantile(unclass(fec_comision_simple), .25, na.rm=T), origin = "1970-01-01"),
                   p50=as.Date(quantile(unclass(fec_comision_simple), .5, na.rm=T), origin = "1970-01-01"),
                   p75=as.Date(quantile(unclass(fec_comision_simple), .75, na.rm=T), origin = "1970-01-01"),
                   p975=as.Date(quantile(unclass(fec_comision_simple), .975, na.rm=T), origin = "1970-01-01"),
            max = max(fec_comision_simple, na.rm=T))),
cbind(cat="Date of termination of the relationship",
base_fiscalia %>% 
  dplyr::summarise(min = min(termino_relacion_simple, na.rm=T),
                   p025=as.Date(quantile(unclass(termino_relacion_simple), .025, na.rm=T), origin = "1970-01-01"),
                   p25=as.Date(quantile(unclass(termino_relacion_simple), .25, na.rm=T), origin = "1970-01-01"),
                   p50=as.Date(quantile(unclass(termino_relacion_simple), .5, na.rm=T), origin = "1970-01-01"),
                   p75=as.Date(quantile(unclass(termino_relacion_simple), .75, na.rm=T), origin = "1970-01-01"),
                   p975=as.Date(quantile(unclass(termino_relacion_simple), .975, na.rm=T), origin = "1970-01-01"),
            max = max(termino_relacion_simple, na.rm=T))),
cbind(cat="Date of cbiorelacion",
base_fiscalia %>% 
  dplyr::summarise(min = min(fec_cbiorelacion_simple, na.rm=T),
                   p025=as.Date(quantile(unclass(fec_cbiorelacion_simple), .025, na.rm=T), origin = "1970-01-01"),
                   p25=as.Date(quantile(unclass(fec_cbiorelacion_simple), .25, na.rm=T), origin = "1970-01-01"),
                   p50=as.Date(quantile(unclass(fec_cbiorelacion_simple), .5, na.rm=T), origin = "1970-01-01"),
                   p75=as.Date(quantile(unclass(fec_cbiorelacion_simple), .75, na.rm=T), origin = "1970-01-01"),
                   p975=as.Date(quantile(unclass(fec_cbiorelacion_simple), .975, na.rm=T), origin = "1970-01-01"),
            max = max(fec_cbiorelacion_simple, na.rm=T))),

cbind(cat="Date of comission of the crime",
Base_fiscalia_v2 %>% 
  dplyr::summarise(min = min(fec_comision_simple, na.rm=T),
                   p025=as.Date(quantile(unclass(fec_comision_simple), .025, na.rm=T), origin = "1970-01-01"),
                   p25=as.Date(quantile(unclass(fec_comision_simple), .25, na.rm=T), origin = "1970-01-01"),
                   p50=as.Date(quantile(unclass(fec_comision_simple), .5, na.rm=T), origin = "1970-01-01"),
                   p75=as.Date(quantile(unclass(fec_comision_simple), .75, na.rm=T), origin = "1970-01-01"),
                   p975=as.Date(quantile(unclass(fec_comision_simple), .975, na.rm=T), origin = "1970-01-01"),
            max = max(fec_comision_simple, na.rm=T))),
cbind(cat="Date of termination of the relationship",
Base_fiscalia_v2 %>% 
  dplyr::summarise(min = min(termino_relacion_simple, na.rm=T),
                   p025=as.Date(quantile(unclass(termino_relacion_simple), .025, na.rm=T), origin = "1970-01-01"),
                   p25=as.Date(quantile(unclass(termino_relacion_simple), .25, na.rm=T), origin = "1970-01-01"),
                   p50=as.Date(quantile(unclass(termino_relacion_simple), .5, na.rm=T), origin = "1970-01-01"),
                   p75=as.Date(quantile(unclass(termino_relacion_simple), .75, na.rm=T), origin = "1970-01-01"),
                   p975=as.Date(quantile(unclass(termino_relacion_simple), .975, na.rm=T), origin = "1970-01-01"),
            max = max(termino_relacion_simple, na.rm=T))),
cbind(cat="Date of cbiorelacion",
Base_fiscalia_v2 %>% 
  dplyr::summarise(min = min(fec_cbiorelacion_simple, na.rm=T),
         p025=as.Date(quantile(unclass(fec_cbiorelacion_simple), .025, na.rm=T), origin = "1970-01-01"),
         p25=as.Date(quantile(unclass(fec_cbiorelacion_simple), .25, na.rm=T), origin = "1970-01-01"),
         p50=as.Date(quantile(unclass(fec_cbiorelacion_simple), .5, na.rm=T), origin = "1970-01-01"),
         p75=as.Date(quantile(unclass(fec_cbiorelacion_simple), .75, na.rm=T), origin = "1970-01-01"),
         p975=as.Date(quantile(unclass(fec_cbiorelacion_simple), .975, na.rm=T), origin = "1970-01-01"),
         max = max(fec_cbiorelacion_simple, na.rm=T))),
cbind(cat="Date of birth",
Base_fiscalia_v2 %>% 
  dplyr::summarise(min = min(fec_nacimiento_simple, na.rm=T),
         p025=as.Date(quantile(unclass(fec_nacimiento_simple), .025, na.rm=T), origin = "1970-01-01"),
         p25=as.Date(quantile(unclass(fec_nacimiento_simple), .25, na.rm=T), origin = "1970-01-01"),
         p50=as.Date(quantile(unclass(fec_nacimiento_simple), .5, na.rm=T), origin = "1970-01-01"),
         p75=as.Date(quantile(unclass(fec_nacimiento_simple), .75, na.rm=T), origin = "1970-01-01"),
         p975=as.Date(quantile(unclass(fec_nacimiento_simple), .975, na.rm=T), origin = "1970-01-01"),
         max = max(fec_nacimiento_simple, na.rm=T)))) %>% 
knitr::kable(format="html",caption= "Table 2. Summary of Dates") %>% #,col.names=c("Variables","Residential", "Ambulatory", "p-value")) %>% 
    kableExtra::kable_classic(bootstrap_options = c("striped", "hover","condensed"),font_size= 10) %>% 
  kableExtra::group_rows("Original database",1,3) %>% 
  kableExtra::group_rows("Corrected database",4,7)

Table 2. Summary of Dates

cat	min	p025	p25	p50	p75	p975	max
Original database
Date of comission of the crime	1900-01-01	2009-04-01	2011-12-09	2014-04-22	2016-11-14	2019-06-10	2019-12-31
Date of termination of the relationship	2002-10-24	2010-04-09	2012-06-06	2014-11-13	2017-06-06	2019-09-26	2021-07-20
Date of cbiorelacion	2002-10-24	2010-04-09	2012-06-06	2014-11-13	2017-06-06	2019-09-26	2021-07-20
Corrected database
Date of comission of the crime	1900-01-01	2009-04-01	2011-12-09	2014-04-22	2016-11-14	2019-06-10	2019-12-31
Date of termination of the relationship	2002-10-24	2010-04-09	2012-06-06	2014-11-13	2017-06-06	2019-09-26	2021-07-20
Date of cbiorelacion	2002-10-24	2010-04-09	2012-06-06	2014-11-13	2017-06-06	2019-09-26	2021-07-20
Date of birth	1855-09-14	1940-06-11	1974-12-11	1982-10-13	1988-10-17	1996-07-20	2016-07-29

Missingness

cols<-Base_fiscalia_v2[,myVars_nva] %>%
     names() #si fuera desde SPSS, sería p47_demo_medio_transp_otr

tot<-
Base_fiscalia_v2 %>%
  # dplyr::filter(resp_status=="partial") %>% 
  nrow()
#Ordenar variables
missing.values <- 
  Base_fiscalia_v2 %>%
    tidyr::gather() %>%
    dplyr::mutate(is.missing = is.na(value)) %>%
    dplyr::group_by(key, is.missing) %>%
    dplyr::summarise(num.missing = n()) %>%
    dplyr::filter(is.missing==T) %>%
    dplyr::mutate(perc_miss=num.missing/tot) %>% 
    dplyr::mutate(label_text=paste0("%= ", scales::percent(num.missing/tot, accuracy=1L),"\n N= ", format(num.missing,big.mark=","))) %>% 
    dplyr::select(-is.missing) %>% 
    dplyr::ungroup() %>% 
    dplyr::group_by(key) %>% 
    dplyr::slice(1) %>% 
    dplyr::ungroup()

## Warning: attributes are not identical across measure variables;
## they will be dropped

## `summarise()` has grouped output by 'key'. You can override using the `.groups`
## argument.

plot_miss<-
missing.values %>%
  dplyr::ungroup() %>% 
  # slice(1:29) %>% 
  ggplot() +
  geom_bar(aes(x=forcats::fct_reorder(key, perc_miss), y=perc_miss, label=label_text), stat = 'identity') +
  labs(x='variable', y="Porcentaje de perdidos", caption=paste0("Nota. Porcentaje de perdidos del total (",format(tot, big.mark=","),")")) +
  #theme(axis.text.x = element_text(angle = 45, hjust = 1, size=6))+
  theme(axis.text.x = element_blank())+
  scale_y_continuous(limits=c(0,1))+
  sjPlot::theme_sjplot()+
  coord_flip()

## Warning: Ignoring unknown aesthetics: label

   ggplotly(plot_miss, tooltip = c("label_text"))%>% layout(xaxis= list(showticklabels = T), height = 600, width=800) %>%   layout(xaxis = list(tickformat='%',  range = c(0, 1)))

## Warning: Specifying width/height in layout() is now deprecated.
## Please specify in ggplotly() or plot_ly()

Near Zero Variance

Check variables that only had one unique value (i.e. are zero variance) or predictors that have both of the following characteristics: few unique values given the sample size, and the frequency of the most common value is much more big than the second most common value.

nzv_vals <- nearZeroVar(Base_fiscalia_v2, saveMetrics = TRUE)
nzv_sorted <- dplyr::arrange(nzv_vals, desc(freqRatio))

kable(as.data.frame.TableOne(nzv_sorted), size=11, format="html",
    caption= "Table 4. Near Zero Variance",
    col.names=c("Variable", "freqRatio", "% of Unique values", "Zero Variance", "Near Zero Variance")) %>% #,col.names=c("Variables","Residential", "Ambulatory", "p-value")) %>% 
    kableExtra::kable_classic(bootstrap_options = c("striped", "hover","condensed"),font_size= 10) %>%
    kableExtra::add_footnote(c("Note. freqRatio= ratio of frequencies for the most common value over the second most common value for that variable"), notation = "none")%>%
    kableExtra::scroll_box(width = "100%", height = "375px")

Table 4. Near Zero Variance

Variable	freqRatio	% of Unique values	Zero Variance	Near Zero Variance
tipo_sujeto_vic	1664.733333	0.0014077	FALSE	TRUE
gls_tipo_sujeto_vic	1664.733333	0.0014077	FALSE	TRUE
idsujeto_victima	277.615385	89.6786363	FALSE	FALSE
pais	268.111848	0.0035193	FALSE	TRUE
fec_nacimiento	57.160494	2.8910939	FALSE	TRUE
fec_nacimiento_simple	57.160494	2.8910939	FALSE	TRUE
marca_suspension_43	28.703546	0.0003519	FALSE	TRUE
marca_suspension_51	24.666667	0.0003519	FALSE	TRUE
impcod_tiposujeto	18.980421	0.0010558	FALSE	FALSE
gls_tipo_imputado	18.980421	0.0010558	FALSE	FALSE
cod_sitiosuceso	10.792359	0.0026395	FALSE	FALSE
cod_motsuspension	8.865668	0.0010558	FALSE	FALSE
cod_region	4.518480	0.0036953	FALSE	FALSE
region_delito	4.518480	0.0036953	FALSE	FALSE
relacion_vifsaf	3.906006	0.0003519	FALSE	FALSE
gls_motsuspension	3.599314	0.0008798	FALSE	FALSE
tramos_condena_48	3.069565	0.0008798	FALSE	FALSE
fec_comision	2.809524	60.2693662	FALSE	FALSE
sexo	2.783323	0.0005279	FALSE	FALSE
gls_proctermino	2.624413	0.0012318	FALSE	FALSE
clasificacion_penarpa_2_50	2.535714	0.0007039	FALSE	FALSE
cod_proctermino	2.524388	0.0014077	FALSE	FALSE
idsujeto_imputado	2.303571	90.5061966	FALSE	FALSE
encontrado_como_imputado	1.972809	0.0003519	FALSE	FALSE
encontrado_como_victima	1.967128	0.0003519	FALSE	FALSE
rut_enc_saf	1.830986	13.1679386	FALSE	FALSE
clasificacion_penarpa_1_49	1.827586	0.0014077	FALSE	FALSE
edad_ter_rel	1.547009	4.1240760	FALSE	FALSE
iddelito	1.518519	92.9843022	FALSE	FALSE
cod_mottermino	1.494797	0.0045751	FALSE	FALSE
gls_mottermino	1.494797	0.0043991	FALSE	FALSE
cod_delito	1.487699	0.0622914	FALSE	FALSE
gls_materia	1.487699	0.0622914	FALSE	FALSE
marca_multa_53	1.483871	0.0003519	FALSE	FALSE
cod_parentescoimputado	1.424809	0.0043991	FALSE	FALSE
gls_parentesco	1.424809	0.0043991	FALSE	FALSE
tipo_termino	1.326149	0.0005279	FALSE	FALSE
medida_alternativa_46	1.304951	0.0007039	FALSE	FALSE
clasificacion_pena_55	1.285714	0.0010558	FALSE	FALSE
termino_relacion	1.250549	0.7647410	FALSE	FALSE
fec_cbiorelacion_simple	1.250549	0.7647410	FALSE	FALSE
termino_relacion_simple	1.250549	0.7647410	FALSE	FALSE
clasificacion_pena_47	1.247837	0.0015837	FALSE	FALSE
edad_comision	1.238938	4.3167569	FALSE	FALSE
fec_cbiorelacion	1.236967	7.7364477	FALSE	FALSE
reg	1.229971	0.0033433	FALSE	FALSE
gls_region	1.229971	0.0033433	FALSE	FALSE
ruc	1.216981	87.0898491	FALSE	FALSE
familia_delito	1.200839	0.0036953	FALSE	FALSE
medida_alternativa_54	1.133333	0.0007039	FALSE	FALSE
gls_sitiosuceso	1.054073	0.0095021	FALSE	FALSE
agrupa_terminos	1.050209	0.0028154	FALSE	FALSE
cod_lugarocurrencia	1.037330	0.0017596	FALSE	FALSE
lugar_ocurrencia	1.037330	0.0015837	FALSE	FALSE
marca_multa_45	1.026343	0.0003519	FALSE	FALSE
cod_comunadelito	1.009519	0.0656347	FALSE	FALSE
gls_comuna	1.008743	0.0608837	FALSE	FALSE
fec_comision_simple	1.002660	0.9808252	FALSE	FALSE
idrelacion	1.000000	99.9987682	FALSE	FALSE
medidas_155	0.000000	0.0001760	TRUE	TRUE
medidas_pp	0.000000	0.0001760	TRUE	TRUE
medidas_ip	0.000000	0.0001760	TRUE	TRUE
marca_pena_44	0.000000	0.0001760	TRUE	TRUE
marca_pena_52	0.000000	0.0001760	TRUE	TRUE
tramos_condena_56	0.000000	0.0000000	TRUE	TRUE
clasificacion_penarpa_1_57	0.000000	0.0000000	TRUE	TRUE
clasificacion_penarpa_2_58	0.000000	0.0000000	TRUE	TRUE
Note. freqRatio= ratio of frequencies for the most common value over the second most common value for that variable

Times as accused

• 366 people that is found as accused and as a victim at the same time. Meanwhile, we considered them as accused.

#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_
base_fiscalia_acc_imp<-
Base_fiscalia_v2 %>% 
  dplyr::mutate(accused=dplyr::case_when(encontrado_como_victima=="SI" & encontrado_como_imputado=="SI"~"IMPUTADO",
                                 encontrado_como_victima=="NO" & encontrado_como_imputado=="SI"~"IMPUTADO",
                                 T~"VICTIMA")) %>% 
  dplyr::filter(accused=="IMPUTADO") %>% 
  dplyr::group_by(rut_enc_saf) %>% 
  dplyr::count() %>% 
  ungroup()
#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_

p<-
base_fiscalia_acc_imp %>% 
  dplyr::left_join(CONS_C1_df_dup_SEP_2020[,c("hash_key","dup")] %>% distinct(hash_key, .keep_all = T),by=c("rut_enc_saf"="hash_key")) %>% ggplot(aes(x=n), alpha=.7)+
  geom_histogram_interactive(bins=120)+
  geom_vline(aes(xintercept=median(base_fiscalia_acc_imp$n)), color="darkred", linetype="dashed")+
  geom_vline(aes(xintercept=quantile(base_fiscalia_acc_imp$n, .99)), color="darkmagenta", linetype="solid")+
  geom_vline(aes(xintercept=quantile(base_fiscalia_acc_imp$n, .95)), color="darkblue", linetype="dotted")+
  sjPlot::theme_sjplot2() +
  #facet_wrap(~motivodeegreso_mod_imp)+
labs(y = "Frequency",x="Records as an imputed", caption= paste0("Blue dotted line=", quantile(base_fiscalia_acc_imp$n, .95)," records; Violet solid line=",quantile(base_fiscalia_acc_imp$n, .99)," records; Red dashed line= Median=",median(base_fiscalia_acc_imp$n)," records; Maximum=",max(base_fiscalia_acc_imp$n)," records")) 

p

Figure 1. Distribution of records in which a user is declared as an accused

paste0("Percentage of HASHs that have records as accused: ",
scales::percent(
base_fiscalia_acc_imp %>% 
    dplyr::left_join(CONS_C1_df_dup_SEP_2020[,c("hash_key","dup")] %>% distinct(hash_key, .keep_all = T),by=c("rut_enc_saf"="hash_key")) %>%  distinct(rut_enc_saf) %>% nrow()/CONS_C1_df_dup_SEP_2020[,c("hash_key","dup")] %>% distinct(hash_key, .keep_all = T) %>% nrow(),
  accuracy=.01
  )
  )

## [1] "Percentage of HASHs that have records as accused: 74.71%"

Times as victim

#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_
base_fiscalia_acc_vic<-
Base_fiscalia_v2 %>% 
  dplyr::mutate(accused=dplyr::case_when(encontrado_como_victima=="SI" & encontrado_como_imputado=="SI"~"IMPUTADO",
                                 encontrado_como_victima=="NO" & encontrado_como_imputado=="SI"~"IMPUTADO",
                                 T~"VICTIMA")) %>% 
  dplyr::filter(accused=="VICTIMA") %>% 
  dplyr::group_by(rut_enc_saf) %>% 
  dplyr::count() %>% 
  ungroup()
#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_


p2<-
base_fiscalia_acc_vic %>% 
  dplyr::left_join(CONS_C1_df_dup_SEP_2020[,c("hash_key","dup")] %>% distinct(hash_key, .keep_all = T),by=c("rut_enc_saf"="hash_key")) %>% ggplot(aes(x=n), alpha=.7)+
  geom_histogram_interactive(bins=120)+
  geom_vline(aes(xintercept=median(base_fiscalia_acc_vic$n)), color="darkred", linetype="dashed")+
  geom_vline(aes(xintercept=quantile(base_fiscalia_acc_vic$n, .99)), color="darkmagenta", linetype="solid")+
  geom_vline(aes(xintercept=quantile(base_fiscalia_acc_vic$n, .95)), color="darkblue", linetype="dotted")+
  sjPlot::theme_sjplot2() +
  #facet_wrap(~motivodeegreso_mod_imp)+
labs(y = "Frequency",x="Records as a victim", caption= paste0("Blue dotted line=", quantile(base_fiscalia_acc_vic$n, .95)," records; Violet solid line=",quantile(base_fiscalia_acc_vic$n, .99)," records; Red dashed line= Median=",median(base_fiscalia_acc_vic$n)," records; Maximum=",max(base_fiscalia_acc_vic$n)," records"))
# xlim(c(-1,2000))

p2

Figure 2. Distribution of records in which a user is declared as a Victim

paste0("Percentage of HASHs that have records as victims: ",
scales::percent(
base_fiscalia_acc_vic %>% 
    dplyr::left_join(CONS_C1_df_dup_SEP_2020[,c("hash_key","dup")] %>% distinct(hash_key, .keep_all = T),by=c("rut_enc_saf"="hash_key")) %>%  distinct(rut_enc_saf) %>% nrow()/CONS_C1_df_dup_SEP_2020[,c("hash_key","dup")] %>% distinct(hash_key, .keep_all = T) %>% nrow(),
accuracy=.01
  )
)

## [1] "Percentage of HASHs that have records as victims: 67.40%"

Structure

The hypothetized structure would be HASHs (rut_enc_saf), RUCs (ruc), the combination of an specific accused (idsujeto_imputado) and victim (idsujeto_victima), ending with a relationship (idrelacion) as the result of this combination with an specific type of crime/offence (id_delito) in a determined court case.

Some counts of different values by each variable.

id_suj_vic<-
cbind(cat="Number of entries by ID of victim",
Base_fiscalia_v2 %>%
    count(idsujeto_victima) %>% 
    summarise(min=min(n), max=max(n), mean=mean(n), median=median(n), p025=quantile(n, .025), p25=quantile(n, .25), p75=quantile(n,.75), p975=quantile(n, .975)))
#podría agrupar al resto. De hecho, hay un ID que agrupa a 18,045 filas, que es el id sujeto ==0

if(no_mostrar==0){
Base_fiscalia_v2 %>%
    dplyr::filter(ruc %in% as.character(unlist(base_fiscalia %>%
                                                 dplyr::filter(idsujeto_victima==0) %>%
                                                 dplyr::select(ruc)))) %>% 
    dplyr::group_by(idrelacion) %>% 
    summarise(n=n()) %>% 
    summarise(min=min(n), max=max(n), mean=mean(n), median=median(n), p025=quantile(n, .025), p25=quantile(n, .25), p75=quantile(n,.75), p975=quantile(n, .975))
  
invisible("2021-12-17, se envió consulta a fiscalía")
  Base_fiscalia_v2 %>%
    dplyr::filter(ruc %in% as.character(unlist(base_fiscalia %>%
                                                   dplyr::filter(idsujeto_victima==0) %>%
                                                   dplyr::select(ruc)))) %>% 
    dplyr::arrange(ruc) %>% 
    dplyr::select(ruc,everything()) %>% 
    dplyr::slice(300:330) %>% 
    copiar_nombres()
}

id_suj_imp<-
cbind(cat="Number of entries by ID of accused",
Base_fiscalia_v2 %>%
    group_by(idsujeto_imputado) %>% 
    summarise(n=n()) %>% 
    summarise(min=min(n), max=max(n), mean=mean(n), median=median(n), p025=quantile(n, .025), p25=quantile(n, .25), p75=quantile(n,.75), p975=quantile(n, .975)))
#agrupa al resto, me da la impresión, tiene hasta 129 filas con el mismo id sujeto imputado

ruc<-
cbind(cat="Number of entries by RUC",
Base_fiscalia_v2 %>%
    group_by(ruc) %>% 
    summarise(n=n()) %>% 
    summarise(min=min(n), max=max(n), mean=mean(n), median=median(n), p025=quantile(n, .025), p25=quantile(n, .25), p75=quantile(n,.75), p975=quantile(n, .975)))

 # 1 0810024146-4   129
 # 2 0901135475-8   106
 # 3 1000499758-7    56
 # 4 1000241245-K    49

#El ruc no es específico, tiene hasta 129 filas. Ver si tienen relación con los ID's sjeto imputado o víctima

id_delito<-
cbind(cat="Number of entries by ID delito",
Base_fiscalia_v2 %>%
    group_by(iddelito) %>% 
    summarise(n=n()) %>% 
    summarise(min=min(n), max=max(n), mean=mean(n), median=median(n), p025=quantile(n, .025), p25=quantile(n, .25), p75=quantile(n,.75), p975=quantile(n, .975)))
# algo específica, tiene como máximo 82 filas con el mismo id delito

id_rel<-
cbind(cat="Number of entries by ID relación",
Base_fiscalia_v2 %>%
    group_by(idrelacion) %>% 
    summarise(n=n()) %>% 
    summarise(min=min(n), max=max(n), mean=mean(n, na.rm=T), median=median(n, na.rm=T), p025=quantile(n, .025), p25=quantile(n, .25), p75=quantile(n,.75), p975=quantile(n, .975)))
# más específica, tiene como máximo 2 filas con el mismo id relación

no_mostrar=1
if(no_mostrar==0){
invisible("Para ver casos posiblemente duplicados")
invisible("2021-12-17, enviado a fiscalía")
Base_fiscalia_v2 %>%
  dplyr::mutate(combinacion=paste0(ruc,"_",rut_enc_saf)) %>%
  dplyr::filter(combinacion %in% as.character(unlist(agrupacion_base %>% 
  dplyr::filter(max>1) %>%dplyr::mutate(combinacion=paste0(ruc,"_",rut_enc_saf)) %>% dplyr::select(combinacion)))) %>% View()
}

ruts<-cbind(cat="Number of entries by Ruts",
Base_fiscalia_v2 %>%
    group_by(rut_enc_saf) %>% 
    summarise(n=n()) %>% 
    summarise(min=min(n), max=max(n), mean=mean(n, na.rm=T), median=median(n, na.rm=T), p025=quantile(n, .025), p25=quantile(n, .25), p75=quantile(n,.75), p975=quantile(n, .975)))

ruc_por_rut<-
cbind(cat="Number of different Causes(RUCs) by RUT",
Base_fiscalia_v2 %>%
    group_by(rut_enc_saf) %>% 
    summarise(n=n_distinct(ruc)) %>% 
    summarise(min=min(n), max=max(n), mean=mean(n, na.rm=T), median=median(n, na.rm=T), p025=quantile(n, .025), p25=quantile(n, .25), p75=quantile(n,.75), p975=quantile(n, .975))) #%>% copiar_nombres()


del_por_ruc<-
cbind(cat="Number of different Crimes by RUT",
Base_fiscalia_v2 %>%
    group_by(rut_enc_saf) %>% 
    summarise(n=n_distinct(gls_materia)) %>% 
    summarise(min=min(n), max=max(n), mean=mean(n, na.rm=T), median=median(n, na.rm=T), p025=quantile(n, .025), p25=quantile(n, .25), p75=quantile(n,.75), p975=quantile(n, .975)))

rel_por_ruc<-
cbind(cat="Number of different relatonships by RUT",
Base_fiscalia_v2 %>%
    group_by(rut_enc_saf) %>% 
    summarise(n=n_distinct(idrelacion)) %>% 
    summarise(min=min(n), max=max(n), mean=mean(n, na.rm=T), median=median(n, na.rm=T), p025=quantile(n, .025), p25=quantile(n, .25), p75=quantile(n,.75), p975=quantile(n, .975)))# %>% copiar_nombres()

rel_por_ruc<-
cbind(cat="Number of different relatonships by Causes(RUC)",
Base_fiscalia_v2 %>%
    group_by(ruc) %>% 
    summarise(n=n_distinct(idrelacion)) %>% 
    summarise(min=min(n), max=max(n), mean=mean(n, na.rm=T), median=median(n, na.rm=T), p025=quantile(n, .025), p25=quantile(n, .25), p75=quantile(n,.75), p975=quantile(n, .975)))

delitos_ruc<-
cbind(cat="Number of different crimes by Causes(RUC)",base_fiscalia %>%
    group_by(ruc) %>% 
    summarise(n=n_distinct(gls_materia)) %>% 
    summarise(min=min(n), max=max(n), mean=mean(n, na.rm=T), median=median(n, na.rm=T), p025=quantile(n, .025), p25=quantile(n, .25), p75=quantile(n,.75), p975=quantile(n, .975)))


invisible("Exploremos algunos")
  # base_fiscalia %>%
  #   dplyr::filter(ruc %in% c("0810024146-4","0901135475-8")) %>% View()

invisible("ID sujeto imputado, RUC")
# base_fiscalia %>%
#     group_by(ruc,idsujeto_imputado) %>% 
#     summarise(n=n()) %>% 
#     summarise(min=min(n), max=max(n), mean=mean(n), median=median(n), p025=quantile(n, .025), p25=quantile(n, .25), p75=quantile(n,.75), p975=quantile(n, .975))
# No correr, entrega 494,929 casos

invisible("ID sujeto víctima, RUC")
# base_fiscalia %>%
#     group_by(idsujeto_victima,ruc) %>% 
#     summarise(n=n()) %>% 
#     summarise(min=min(n), max=max(n), mean=mean(n), median=median(n), p025=quantile(n, .025), p25=quantile(n, .25), p75=quantile(n,.75), p975=quantile(n, .975))
#no correr. son 514,344 casos
#si pongo al revés, con el RUC primero, 
      # Error: Problem with `summarise()` column `p75`.
      # i `p75 = quantile(n, 0.75)`.
      # x argument is not interpretable as logical
      # i The error occurred in group 40782: ruc = "1000495180-3".
      # Backtrace:
      #   1. `%>%`(...)
      #   9. base::.handleSimpleError(...)
      #  10. dplyr:::h(simpleError(msg, call))
      # In addition: Warning message:
      # In if (na.rm) x <- x[!is.na(x)] else if (anyNA(x)) stop("missing values and NaN's not allowed if 'na.rm' is FALSE") :
      #   the condition has length > 1 and only the first element will be used


bind_rows(ruts,
id_suj_vic, 
id_suj_imp,
ruc,
id_delito,
id_rel,
ruc_por_rut, 
del_por_ruc,
rel_por_ruc,
delitos_ruc) %>% 
  dplyr::select(cat, everything()) %>% 
  knitr::kable(size=11, first.strip=T, hide.no="no",
           format="html",caption= "Table 5. Counts of entries by different groups",
         smd=T, test=T, varLabels=T,noSpaces=T, printToggle=T, dropEqual=F) %>% #,col.names=c("Variables","Residential", "Ambulatory", "p-value")) %>% 
    kableExtra::kable_classic(bootstrap_options = c("striped", "hover","condensed"),font_size= 12) %>%
  # kableExtra::add_footnote(c("Note. Continuous variables are presented as Medians and Percentiles 25 and 75 were shown;", "Categorical variables are presented as number (%)"), notation = "none")%>%
  kableExtra::scroll_box(width = "100%", height = "375px")

Table 5. Counts of entries by different groups

cat	min	max	mean	median	p025	p25	p75	p975
Number of entries by Ruts	1	260	7.594203	5	1	2	10	29
Number of entries by ID of victim	1	18045	1.115093	1	1	1	1	2
Number of entries by ID of accused	1	129	1.104897	1	1	1	1	2
Number of entries by RUC	1	129	1.148239	1	1	1	1	2
Number of entries by ID delito	1	82	1.075450	1	1	1	1	2
Number of entries by ID relación	1	2	1.000012	1	1	1	1	1
Number of different Causes(RUCs) by RUT	1	246	6.710008	5	1	2	9	25
Number of different Crimes by RUT	1	26	4.594323	4	1	2	6	13
Number of different relatonships by Causes(RUC)	1	129	1.148225	1	1	1	1	2
Number of different crimes by Causes(RUC)	1	7	1.055796	1	1	1	1	2

We looked for the percentage of entries with the ID for the victim equal to 0 (missing or does not apply) for each quarter, and the number of entries in which the crime is commited.

#sería RUT/Hash → RUC → relaciones
#
#fec_cbiorelacion
#fec_comision  
#termino_relacion 

invisible("¿Hay algún patrón por año?, ver el recuento de id_victimas==0 por cada trimestre y sacar un gráfico de densidad de eso")
require(zoo)
require(ggrepel)

## Loading required package: ggrepel

vic_trim_id_suj_0<-
Base_fiscalia_v2 %>% 
    dplyr::arrange(rut_enc_saf, ruc, idrelacion) %>% 
    dplyr::mutate(fech_ing_qrt=zoo::as.yearqtr(fec_comision)) %>%
    dplyr::mutate(idsujeto_victima_0=ifelse(idsujeto_victima==0,1,0)) %>% 
    dplyr::group_by(fech_ing_qrt) %>% #%>% janitor::tabyl(sus_ini)
    dplyr::summarise(n=n(),
                     sum_0 = length(n[idsujeto_victima_0==1]),
                     perc = sum_0/n) %>% 
    dplyr::ungroup() %>% 
    dplyr::mutate(label_text= paste0("Year/Quarter= ",fech_ing_qrt,"\nTotal Entries= ",n,"\n %= ",scales::percent(perc, accuracy=1L),"\nEntries w/ NNs= ", sum_0)) %>% 
    dplyr::filter(fech_ing_qrt>=2000) %>% 
    dplyr::arrange(desc(fech_ing_qrt)) %>% 
    ggplot2::ggplot(aes(x = fech_ing_qrt, y = perc, label = label_text)) +
    geom_line(color = "#0076A8", size=1) +
    #geom_text_repel(aes(x = fech_ing_qrt, y = perc, label = paste0("Rows=",n,"\nNN victims= ", sum_0)), vjust = -1,hjust = 0, angle=45, #size=3, arrow = arrow(length = unit(0.01, 'npc'))) +
    sjPlot::theme_sjplot2() +
    labs(y="% of Missing Data of the Victim",x="Years & Quarters, Date of commission of the crime",caption="Note. Some crimes were commited before 1960 (n= 246), and in 1900 (n=241)") + 
    scale_y_continuous(labels = scales::percent) +
    scale_x_yearqtr(format="%YQ%q", n=15) +
    theme(axis.text.x = element_text(vjust = 0.5,hjust = 0.5,angle = 60), plot.caption=element_text(hjust=0)) 

ggplotly(vic_trim_id_suj_0, tooltip="label_text")

vic_trim_id_suj_0_b<-
Base_fiscalia_v2 %>% 
  dplyr::arrange(rut_enc_saf, ruc, idrelacion) %>% 
  dplyr::mutate(fech_ing_qrt=zoo::as.yearqtr(termino_relacion)) %>%
   dplyr::mutate(idsujeto_victima_0=ifelse(idsujeto_victima==0,1,0)) %>% 
    dplyr::group_by(fech_ing_qrt) %>% #%>% janitor::tabyl(sus_ini)
   dplyr::summarise(n=n(),
                  sum_0 = length(n[idsujeto_victima_0==1]),
                  perc = sum_0/n) %>% 
  dplyr::ungroup() %>% 
    dplyr::mutate(label_text= paste0("Year/Quarter= ",fech_ing_qrt,"\nTotal Entries= ",n,"\n %= ",scales::percent(perc, accuracy=1L),"\nEntries w/ NNs= ", sum_0)) %>% 
  dplyr::filter(fech_ing_qrt>=2000) %>% 
  dplyr::arrange(desc(fech_ing_qrt)) %>% 
  ggplot2::ggplot(aes(x = fech_ing_qrt, y = perc, label = label_text)) +
  geom_line(color = "#0076A8", size=1) +
    # geom_text_repel(aes(x = fech_ing_qrt, y = perc, label = paste0("Rows=",n,"\nNN victims= ", sum_0)), vjust = -1,hjust = 0, angle=45, size=3, arrow = arrow(length = unit(0.01, 'npc'))) +
  sjPlot::theme_sjplot2() +
  labs(y="% of Missing Data of the Victim",x="Years & Quarters, Date of termination of the relationship") + 
  scale_y_continuous(labels = scales::percent) +
  scale_x_yearqtr(format="%YQ%q", n=30) +
  theme(axis.text.x = element_text(vjust = 0.5,hjust = 0.5,angle = 60), plot.caption=element_text(hjust=0)) 

ggplotly(vic_trim_id_suj_0_b, tooltip="label_text")

Some questions

# invisible("¿Puede que el RUC se repita para un mismo HASH?, ¿en qué situaciones?")
# base_fiscalia %>%
#   dplyr::mutate(combinacion=paste0(ruc,"_",rut_enc_saf)) %>%
#   dplyr::filter(combinacion %in% as.character(unlist(agrupacion_base %>% 
#   dplyr::filter(max>1) %>%dplyr::mutate(combinacion=paste0(ruc,"_",rut_enc_saf)) %>% dplyr::select(combinacion)))) %>% View()

cat("Entries with accused and victim status")

## Entries with accused and victim status

invisible("2021-12-17, enviado a fiscalía")

format(Base_fiscalia_v2 %>%
  dplyr::filter(encontrado_como_victima=="SI" & encontrado_como_imputado=="SI") %>% nrow(), big.mark=",")

## [1] "366"

cat("Differences between date of termination of cbiorelacion (fec_cbiorelacion) and termination of relationship (termino_relacion)")

## Differences between date of termination of cbiorelacion (fec_cbiorelacion) and termination of relationship (termino_relacion)

invisible("¿Hay diferencias en la fecha biorelacion y la de término de relación")
Base_fiscalia_v2 %>% 
    dplyr::filter(termino_relacion!=fec_cbiorelacion) %>% 
    dplyr::mutate(diff_en_dias=as.numeric((termino_relacion-fec_cbiorelacion)/(60*24))) %>% 
    select(diff_en_dias) %>% 
    summarise(n=n(),min=min(diff_en_dias), max=max(diff_en_dias), mean=mean(diff_en_dias), median=median(diff_en_dias), p025=quantile(diff_en_dias, .025), p25=quantile(diff_en_dias, .25), p75=quantile(diff_en_dias,.75), p975=quantile(diff_en_dias, .975)) %>% copiar_nombres()

## # A tibble: 1 x 9
##       n    min     max   mean median   p025    p25    p75   p975
##   <int>  <dbl>   <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>
## 1 44930 -0.990 -0.0139 -0.558 -0.542 -0.797 -0.681 -0.434 -0.345

cat("Entries in which the RUT is found as accused and victim (distinct RUTs & distinct RUCs)")

## Entries in which the RUT is found as accused and victim (distinct RUTs & distinct RUCs)

invisible("Casos en que hay filas en que un rut es imputado y víctima")
Base_fiscalia_v2 %>%
    dplyr::filter(encontrado_como_victima=="SI" & encontrado_como_imputado=="SI") %>% 
    summarise(n=n_distinct(rut_enc_saf), n2=n_distinct(ruc))

## # A tibble: 1 x 2
##       n    n2
##   <int> <int>
## 1   339   331

cat("Entries in which an accused commits a crime with distinct cause (RUC) in the same date")

## Entries in which an accused commits a crime with distinct cause (RUC) in the same date

invisible("Casos en que una persona comete un delito con distinta causa en la misma fecha")
format(Base_fiscalia_v2 %>%
    dplyr::mutate(comb=paste0(rut_enc_saf,"_",fec_comision)) %>% 
                    dplyr::add_count(comb, .keep=T) %>% filter(n > 1) %>% 
    dplyr::group_by(comb) %>% 
                      dplyr::mutate(n=n_distinct(ruc)) %>% 
    dplyr::filter(n>1) %>%
  nrow(), big.mark=",")

## [1] "31,437"

  # dplyr::ungroup() %>% 
  # dplyr::arrange(rut_enc_saf, ruc) %>% 
  # dplyr::select(rut_enc_saf, ruc, idrelacion, gls_materia, fec_comision)

# Ejemplo de un caso

# 0007678b8b35fa0961d1e8110fbf9620  SI  NO  6   VICTIMA 47350754    5   V Región de Valparaíso  16913947    1400066420-1    SALIDA NO JUDICIAL  DECISI¿N DE NO PERSEVERAR   525 AMENAZAS CONDIC. CONTRA PERSONAS Y PROP. ART. 296 1 y 2, 297    DELITOS CONTRA LA LIBERTAD E INTIMIDAD DE LAS PERSONAS  SI  16  CONVIVIENTE 5   Decisión de no perseverar en el proced  0   NA  1   ORDINARIO   47350753    3   IMPUTADO    12909542    18-01-2014 19:40    16-04-2014  2   LUGAR HABITADO O DESTINADO A LA HABITACION Y SUS DEPENDENCIAS   1   VIVIENDA    310 VALPARAISO  5   V Región de Valparaíso  16-04-2014  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA

# 0007678b8b35fa0961d1e8110fbf9620  SI  NO  6   VICTIMA 47359056    5   V Región de Valparaíso  16916932    1400068650-7    SALIDA NO JUDICIAL  ARCHIVO PROVISIONAL 524 AMENAZAS SIMPLES CONTRA PERSONAS Y PROPIEDADES ART. 296 Nº3.    DELITOS CONTRA LA LIBERTAD E INTIMIDAD DE LAS PERSONAS  SI  16  CONVIVIENTE 1   Archivo Provisional 0   NA  0   SIN PROCEDIMIENTO   47359057    3   IMPUTADO    12911972    18-01-2014 19:40    27-01-2014  2   LUGAR HABITADO O DESTINADO A LA HABITACION Y SUS DEPENDENCIAS   1   VIVIENDA    310 VALPARAISO  5   V Región de Valparaíso  27-01-2014  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA

cat("Entries that have different relationship ID for the same combination of an ID of the victim and the ID of the accused")

## Entries that have different relationship ID for the same combination of an ID of the victim and the ID of the accused

invisible("Gente que tendría distinto id de relación para una misma combianción de id víctima e id imputado")
format(Base_fiscalia_v2 %>%
    dplyr::mutate(comb=paste0(idsujeto_victima,"_",idsujeto_imputado)) %>% 
    dplyr::add_count(comb, .keep=T) %>% filter(n > 1) %>% 
    dplyr::group_by(comb) %>% 
    dplyr::summarise(n=n_distinct(idrelacion)) %>% 
    dplyr::filter(!grepl("^0_", comb)) %>% 
    dplyr::filter(n>1) %>%  nrow(), big.mark=",")

## [1] "21,393"

cat("Example")

## Example

Base_fiscalia_v2 %>%
    dplyr::mutate(comb=paste0(idsujeto_victima,"_",idsujeto_imputado)) %>% 
    arrange(rut_enc_saf,fec_comision,ruc,idrelacion) %>% 
    dplyr::filter(comb=="10760610_10760611") %>%
    dplyr::select(rut_enc_saf, ruc, idsujeto_victima, idsujeto_imputado, idrelacion, gls_materia) %>%  print()

## # A tibble: 2 x 6
##   rut_enc_saf     ruc   idsujeto_victima idsujeto_imputa~ idrelacion gls_materia
##   <chr>           <chr>            <dbl>            <dbl>      <dbl> <chr>      
## 1 daee9f4184b1c0~ 0700~         10760610         10760611    4201225 VIOLACIÓN ~
## 2 daee9f4184b1c0~ 0700~         10760610         10760611    4040665 LESIONES L~

cat("Cases with date of crime comission are posterior to the date that the relationship ended")

## Cases with date of crime comission are posterior to the date that the relationship ended

format(Base_fiscalia_v2 %>%
  dplyr::mutate(fec_comision_simple=as.Date(stringr::str_extract(as.character(fec_comision), "^.{10}"))) %>% 
  dplyr::mutate(termino_relacion_simple=as.Date(stringr::str_extract(as.character(termino_relacion), "^.{10}"))) %>%
  dplyr::mutate(diff_en_dias=as.numeric((termino_relacion_simple-fec_comision_simple))) %>% 
  dplyr::filter(diff_en_dias<0) %>% 
  nrow(), big.mark=",")

## [1] "68"

   #dplyr::select(rut_enc_saf,ruc, fec_comision, termino_relacion, diff_en_dias) %>%  
  #     select(diff_en_dias) %>% 
  #     summarise(n=n(),min=min(diff_en_dias), max=max(diff_en_dias), mean=mean(diff_en_dias), median=median(diff_en_dias), p025=quantile(diff_en_dias, .025), p25=quantile(diff_en_dias, .25), p75=quantile(diff_en_dias,.75), p975=quantile(diff_en_dias, .975)) %>% copiar_nombres()

cat("Are gls_materia and cod_delito distinct (differences in the number of categories contained)?")

## Are gls_materia and cod_delito distinct (differences in the number of categories contained)?

ifelse(Base_fiscalia_v2 %>%
    dplyr::group_by(cod_delito) %>% 
    summarise(n=n_distinct(gls_materia)) %>% 
    dplyr::filter(n>1) %>% nrow()>0,"Yes","No")

## [1] "No"

cat("And viceversa?")

## And viceversa?

ifelse(Base_fiscalia_v2 %>%
    dplyr::group_by(gls_materia) %>% 
    summarise(n=n_distinct(cod_delito)) %>% 
    dplyr::filter(n>1) %>% nrow(), "Yes","No")

## [1] "No"

cat("Cases in which the same RUC has 2 or more RUTs")

## Cases in which the same RUC has 2 or more RUTs

format(Base_fiscalia_v2 %>%
    dplyr::group_by(ruc) %>% 
    summarise(n=n_distinct(rut_enc_saf)) %>% 
    dplyr::filter(n>1) %>% 
  nrow(), big.mark=",")

## [1] "6,693"

#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_
#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_
#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_


cat("Number of different relationships within a RUC by each RUT")

## Number of different relationships within a RUC by each RUT

invisible("ID's de relación por RUCs en RUTs")
agrupacion_base<-
Base_fiscalia_v2 %>%
    group_by(ruc,rut_enc_saf,idrelacion) %>% 
    summarise(n=n()) %>% 
    summarise(min=min(n), max=max(n), mean=mean(n, na.rm=T), median=median(n, na.rm=T), p025=quantile(n, .025), p25=quantile(n, .25), p75=quantile(n,.75), p975=quantile(n, .975))

## `summarise()` has grouped output by 'ruc', 'rut_enc_saf'. You can override
## using the `.groups` argument.
## `summarise()` has grouped output by 'ruc'. You can override using the `.groups`
## argument.

rel_ruc_rut<-
cbind("More than one relationship within a RUC by each RUT",
agrupacion_base %>% 
    dplyr::filter(max>1) %>% nrow())
invisible("Casos en que agrupados las relaciones por rucs y a su vez por cada rut, resultan tener 2 relaciones")
invisible("ruc=='1101216380-2' tiene todo igual con la otra fila")
invisible("ruc=='1200110540-8' tiene todo igual con la otra fila")
invisible("ruc=='1200685456-5' tiene todo igual con la otra fila")
invisible("ruc=='1200685456-5' tiene todo igual con la otra fila")
# ruc          rut_enc_saf                        min   max  mean median  p025   p25   p75  p975
# 1 1101216380-2 6a72664c6071e9728753279c9e9719e5     2     2   2      2    2     2     2     2   
# 2 1200110540-8 471b17aece44998caa6f83fee6b3b483     2     2   2      2    2     2     2     2   
# 3 1200685456-5 f1966360761b422b7e826bab2e1a38dc     2     2   2      2    2     2     2     2   
# 4 1200771867-3 a2aee30c6c0693a9c13f39e3520f666c     2     2   2      2    2     2     2     2   
# 5 1201254538-8 2d3bec94a94304a0b786ab83f7d1021a     2     2   2      2    2     2     2     2   
# 6 1300390161-5 f336b9f3e4097cfe736239a8bb937596     1     2   1.5    1.5  1.02  1.25  1.75  1.98
# 7 1600027649-2 bfc39f93fe4e0958c4e0ec16dddec275     2     2   2      2    2     2     2     2   

del_por_rel_ruc<-
  cbind(cat="Delitos por relación y RUC",
Base_fiscalia_v2 %>%
    group_by(ruc, idrelacion, gls_materia) %>% 
    summarise(n=n()) %>% 
    summarise(min=min(n), max=max(n), mean=mean(n, na.rm=T), median=median(n, na.rm=T), p025=quantile(n, .025), p25=quantile(n, .25), p75=quantile(n,.75), p975=quantile(n, .975)))

## `summarise()` has grouped output by 'ruc', 'idrelacion'. You can override using
## the `.groups` argument.
## `summarise()` has grouped output by 'ruc'. You can override using the `.groups`
## argument.

Entries with the same data

options(knitr.kable.NA = '')

#quienes tienen más de uno, son los mismos datos
Base_fiscalia_v2 %>%
dplyr::filter(idrelacion %in% c(12935546, 13290172, 14124442, 14248963, 14953586, 15559264, 20446792)) %>% 
  dplyr::arrange(rut_enc_saf, ruc, idrelacion, id_delito) %>% 
knitr::kable(size=11, first.strip=T, hide.no="no",
           format="html",caption= "Table 6. Cases with duplicated entries",
         smd=T, test=T, varLabels=T,noSpaces=T, printToggle=T, dropEqual=F) %>% #,col.names=c("Variables","Residential", "Ambulatory", "p-value")) %>% 
    kableExtra::kable_classic(bootstrap_options = c("striped", "hover","condensed"),font_size= 10) %>%
  # kableExtra::add_footnote(c("Note. Continuous variables are presented as Medians and Percentiles 25 and 75 were shown;", "Categorical variables are presented as number (%)"), notation = "none")%>%
  kableExtra::scroll_box(width = "100%", height = "375px")

Table 6. Cases with duplicated entries

rut_enc_saf	fec_nacimiento	pais	sexo	encontrado_como_victima	encontrado_como_imputado	tipo_sujeto_vic	gls_tipo_sujeto_vic	idsujeto_victima	reg	gls_region	idrelacion	ruc	tipo_termino	agrupa_terminos	cod_delito	gls_materia	familia_delito	relacion_vifsaf	cod_parentescoimputado	gls_parentesco	cod_mottermino	gls_mottermino	cod_motsuspension	gls_motsuspension	cod_proctermino	gls_proctermino	idsujeto_imputado	impcod_tiposujeto	gls_tipo_imputado	iddelito	fec_comision	termino_relacion	cod_lugarocurrencia	lugar_ocurrencia	cod_sitiosuceso	gls_sitiosuceso	cod_comunadelito	gls_comuna	cod_region	region_delito	fec_cbiorelacion	medidas_155	medidas_pp	medidas_ip	marca_suspension_43	marca_pena_44	marca_multa_45	medida_alternativa_46	clasificacion_pena_47	tramos_condena_48	clasificacion_penarpa_1_49	clasificacion_penarpa_2_50	marca_suspension_51	marca_pena_52	marca_multa_53	medida_alternativa_54	clasificacion_pena_55	tramos_condena_56	clasificacion_penarpa_1_57	clasificacion_penarpa_2_58	fec_comision_simple	fec_cbiorelacion_simple	fec_nacimiento_simple	termino_relacion_simple	edad_comision	edad_ter_rel
2d3bec94a94304a0b786ab83f7d1021a	1990-03-06 00:00:00	CHILE	MASCULINO	SI	NO	6	VICTIMA	41593078	5	V Región de Valparaíso	14953586	1201254538-8	SALIDA JUDICIAL	SENTENCIA DEFINITIVA CONDENATORIA	812	RECEPTACIÓN. ART. 456 BIS A	OTROS DELITOS CONTRA LA PROPIEDAD	NO			25	Sentencia definitiva condenatoria	0		3	ABREVIADO	41549070	3	IMPUTADO	11387704	2012-12-18 14:50:00	2013-04-16	1	BIENES NACIONALES USO PUBLICO	1	VIA PUBLICA URBANA	310	VALPARAISO	5	V Región de Valparaíso	2013-04-16		SI		NO	SI	SI		Presidio Menor grado mínimo												2012-12-18	2013-04-16	1990-03-06	2013-04-16	22.78713	23.11294
2d3bec94a94304a0b786ab83f7d1021a	1990-03-06 00:00:00	CHILE	MASCULINO	SI	NO	6	VICTIMA	41593078	5	V Región de Valparaíso	14953586	1201254538-8	SALIDA JUDICIAL	SENTENCIA DEFINITIVA CONDENATORIA	812	RECEPTACIÓN. ART. 456 BIS A	OTROS DELITOS CONTRA LA PROPIEDAD	NO			25	Sentencia definitiva condenatoria	0		3	ABREVIADO	41549070	3	IMPUTADO	11387704	2012-12-18 14:50:00	2013-04-16	1	BIENES NACIONALES USO PUBLICO	1	VIA PUBLICA URBANA	310	VALPARAISO	5	V Región de Valparaíso	2013-04-16		SI		NO	SI	SI		Presidio Menor grado mínimo												2012-12-18	2013-04-16	1990-03-06	2013-04-16	22.78713	23.11294
471b17aece44998caa6f83fee6b3b483	1975-01-20 00:00:00	CHILE	MASCULINO	NO	SI	6	VICTIMA	36800899	8	VIII Región del Bio Bio	13290172	1200110540-8	SALIDA NO JUDICIAL	INCOMPETENCIA	1099	OTROS HECHOS	HECHOS DE RELEVANCIA CRIMINAL	NO			18	Incomp tratarse materias conoc otro trib	0		0	SIN PROCEDIMIENTO	36801001	3	IMPUTADO	10116153	2012-01-30 10:09:00	2012-02-06	2	LUGAR HABITADO O DESTINADO A LA HABITACION Y SUS DEPENDENCIAS	1	VIVIENDA	456	TALCAHUANO	8	VIII Región del Bio Bio	2012-02-06																				2012-01-30	2012-02-06	1975-01-20	2012-02-06	37.02669	37.04586
471b17aece44998caa6f83fee6b3b483	1975-01-20 00:00:00	CHILE	MASCULINO	NO	SI	6	VICTIMA	36800899	8	VIII Región del Bio Bio	13290172	1200110540-8	SALIDA NO JUDICIAL	INCOMPETENCIA	1099	OTROS HECHOS	HECHOS DE RELEVANCIA CRIMINAL	NO			18	Incomp tratarse materias conoc otro trib	0		0	SIN PROCEDIMIENTO	36801001	3	IMPUTADO	10116153	2012-01-30 10:09:00	2012-02-06	2	LUGAR HABITADO O DESTINADO A LA HABITACION Y SUS DEPENDENCIAS	1	VIVIENDA	456	TALCAHUANO	8	VIII Región del Bio Bio	2012-02-06																				2012-01-30	2012-02-06	1975-01-20	2012-02-06	37.02669	37.04586
6a72664c6071e9728753279c9e9719e5	1992-06-05 00:00:00	CHILE	FEMENINO	NO	SI	6	VICTIMA	35794461	3	III Región de Atacama	12935546	1101216380-2	SALIDA JUDICIAL	FACULTAD PARA NO INVESTIGAR	1099	OTROS HECHOS	HECHOS DE RELEVANCIA CRIMINAL	NO			2	No Inicio Investigación	0		0	SIN PROCEDIMIENTO	35794830	3	IMPUTADO	9848587	2011-11-24 10:10:00	2011-12-26	3	ESTABLECIMIENTO COMERCIAL	5	TIENDA COMERCIAL	245	VALLENAR	3	III Región de Atacama	2011-12-26																				2011-11-24	2011-12-26	1992-06-05	2011-12-26	19.46886	19.55647
6a72664c6071e9728753279c9e9719e5	1992-06-05 00:00:00	CHILE	FEMENINO	NO	SI	6	VICTIMA	35794461	3	III Región de Atacama	12935546	1101216380-2	SALIDA JUDICIAL	FACULTAD PARA NO INVESTIGAR	1099	OTROS HECHOS	HECHOS DE RELEVANCIA CRIMINAL	NO			2	No Inicio Investigación	0		0	SIN PROCEDIMIENTO	35794830	3	IMPUTADO	9848587	2011-11-24 10:10:00	2011-12-26	3	ESTABLECIMIENTO COMERCIAL	5	TIENDA COMERCIAL	245	VALLENAR	3	III Región de Atacama	2011-12-26																				2011-11-24	2011-12-26	1992-06-05	2011-12-26	19.46886	19.55647
a2aee30c6c0693a9c13f39e3520f666c	1984-06-20 00:00:00	CHILE	MASCULINO	NO	SI	6	VICTIMA	39546660	15	RM Oriente	14248963	1200771867-3	SALIDA JUDICIAL	SENTENCIA DEFINITIVA ABSOLUTORIA	525	AMENAZAS CONDIC. CONTRA PERSONAS Y PROP. ART. 296 1 y 2, 297	DELITOS CONTRA LA LIBERTAD E INTIMIDAD DE LAS PERSONAS	SI	22	PADRE HIJO COMUN	24	Sentencia definitiva absolutoria	0		2	SIMPLIFICADO	39546761	3	IMPUTADO	10847174	2012-08-03 12:50:00	2013-09-11	2	LUGAR HABITADO O DESTINADO A LA HABITACION Y SUS DEPENDENCIAS	1	VIVIENDA	758	LA FLORIDA	15	RM Oriente	2013-09-11																				2012-08-03	2013-09-11	1984-06-20	2013-09-11	28.12047	29.22656
a2aee30c6c0693a9c13f39e3520f666c	1984-06-20 00:00:00	CHILE	MASCULINO	NO	SI	6	VICTIMA	39546660	15	RM Oriente	14248963	1200771867-3	SALIDA JUDICIAL	SENTENCIA DEFINITIVA ABSOLUTORIA	525	AMENAZAS CONDIC. CONTRA PERSONAS Y PROP. ART. 296 1 y 2, 297	DELITOS CONTRA LA LIBERTAD E INTIMIDAD DE LAS PERSONAS	SI	22	PADRE HIJO COMUN	24	Sentencia definitiva absolutoria	0		2	SIMPLIFICADO	39546761	3	IMPUTADO	10847174	2012-08-03 12:50:00	2013-09-11	2	LUGAR HABITADO O DESTINADO A LA HABITACION Y SUS DEPENDENCIAS	1	VIVIENDA	758	LA FLORIDA	15	RM Oriente	2013-09-11																				2012-08-03	2013-09-11	1984-06-20	2013-09-11	28.12047	29.22656
bfc39f93fe4e0958c4e0ec16dddec275	1959-12-17 00:00:00	CHILE	MASCULINO	NO	SI	6	VICTIMA	57866854	3	III Región de Atacama	20446792	1600027649-2	SALIDA JUDICIAL	SOBRESEIMIENTO DEFINITIVO 240	311	FALSIF LICENCIAS MEDICAS O PENSIONES. ART.202 INC.2° Y 3°	DELITOS CONTRA LA FE PÚBLICA	NO			9	S Definit (vencim plazo suspens art 240)	2	SUSPENSION CONDICIONAL DEL PROCEDIMIENTO	1	ORDINARIO	57866860	3	IMPUTADO	15680493	2016-01-08 18:14:00	2017-07-06	3	ESTABLECIMIENTO COMERCIAL	8	ESTABLECIMIENTOS DE ALIMENTACION	235	CHAÑARAL	3	III Región de Atacama	2017-07-06																				2016-01-08	2017-07-06	1959-12-17	2017-07-06	56.06023	57.55236
bfc39f93fe4e0958c4e0ec16dddec275	1959-12-17 00:00:00	CHILE	MASCULINO	NO	SI	6	VICTIMA	57866854	3	III Región de Atacama	20446792	1600027649-2	SALIDA JUDICIAL	SOBRESEIMIENTO DEFINITIVO 240	311	FALSIF LICENCIAS MEDICAS O PENSIONES. ART.202 INC.2° Y 3°	DELITOS CONTRA LA FE PÚBLICA	NO			9	S Definit (vencim plazo suspens art 240)	2	SUSPENSION CONDICIONAL DEL PROCEDIMIENTO	1	ORDINARIO	57866860	3	IMPUTADO	15680493	2016-01-08 18:14:00	2017-07-06	3	ESTABLECIMIENTO COMERCIAL	8	ESTABLECIMIENTOS DE ALIMENTACION	235	CHAÑARAL	3	III Región de Atacama	2017-07-06																				2016-01-08	2017-07-06	1959-12-17	2017-07-06	56.06023	57.55236
f1966360761b422b7e826bab2e1a38dc	1980-01-19 00:00:00	CHILE	MASCULINO	SI	NO	6	VICTIMA	39189042	7	VII Región del Maule	14124442	1200685456-5	SALIDA NO JUDICIAL	ARCHIVO PROVISIONAL	856	APROPIACION INDEBIDA ART.470 N°1	DELITOS ECONÓMICOS Y TRIBUTARIOS	NO			1	Archivo Provisional	0		0	SIN PROCEDIMIENTO	39189110	3	IMPUTADO	10751252	2012-07-09 16:12:00	2014-06-09	0		0		390	TALCA	7	VII Región del Maule	2014-06-09																				2012-07-09	2014-06-09	1980-01-19	2014-06-09	32.47091	34.38741
f1966360761b422b7e826bab2e1a38dc	1980-01-19 00:00:00	CHILE	MASCULINO	SI	NO	6	VICTIMA	39189042	7	VII Región del Maule	14124442	1200685456-5	SALIDA NO JUDICIAL	ARCHIVO PROVISIONAL	856	APROPIACION INDEBIDA ART.470 N°1	DELITOS ECONÓMICOS Y TRIBUTARIOS	NO			1	Archivo Provisional	0		0	SIN PROCEDIMIENTO	39189110	3	IMPUTADO	10751252	2012-07-09 16:12:00	2014-06-09	0		0		390	TALCA	7	VII Región del Maule	2014-06-09																				2012-07-09	2014-06-09	1980-01-19	2014-06-09	32.47091	34.38741
f336b9f3e4097cfe736239a8bb937596	1984-06-09 00:00:00	CHILE	MASCULINO	NO	SI	6	VICTIMA	43358250	7	VII Región del Maule	15559264	1300390161-5	SALIDA JUDICIAL	FACULTAD PARA NO INVESTIGAR	524	AMENAZAS SIMPLES CONTRA PERSONAS Y PROPIEDADES ART. 296 Nº3.	DELITOS CONTRA LA LIBERTAD E INTIMIDAD DE LAS PERSONAS	SI	21	EX CONVIVIENTE	2	No Inicio Investigación	0		0	SIN PROCEDIMIENTO	43358179	3	IMPUTADO	11856719	2013-04-18 12:23:00	2013-04-19	2	LUGAR HABITADO O DESTINADO A LA HABITACION Y SUS DEPENDENCIAS	1	VIVIENDA	390	TALCA	7	VII Región del Maule	2013-04-19																				2013-04-18	2013-04-19	1984-06-09	2013-04-19	28.85695	28.85969
f336b9f3e4097cfe736239a8bb937596	1984-06-09 00:00:00	CHILE	MASCULINO	NO	SI	6	VICTIMA	43358250	7	VII Región del Maule	15559264	1300390161-5	SALIDA JUDICIAL	FACULTAD PARA NO INVESTIGAR	524	AMENAZAS SIMPLES CONTRA PERSONAS Y PROPIEDADES ART. 296 Nº3.	DELITOS CONTRA LA LIBERTAD E INTIMIDAD DE LAS PERSONAS	SI	21	EX CONVIVIENTE	2	No Inicio Investigación	0		0	SIN PROCEDIMIENTO	43358179	3	IMPUTADO	11856719	2013-04-18 12:23:00	2013-04-19	2	LUGAR HABITADO O DESTINADO A LA HABITACION Y SUS DEPENDENCIAS	1	VIVIENDA	390	TALCA	7	VII Región del Maule	2013-04-19																				2013-04-18	2013-04-19	1984-06-09	2013-04-19	28.85695	28.85969

Merge with SENDAs database

invisible("¿Hay RUTs de fiscalía que no existen en la base de datos SENDA?")
invisible("Ver cuántos calzan con la Base anterior (datos descartados en etapas del proceso de limpieza de datos)")
rbind(
cbind(cat="RUTs in P.O. that are not in SENDA's most recent database (accused)",
#Sólo el recuento de los RUTs
base_fiscalia_acc_imp %>% 
    #sólo dejo RUT únicos en la de septiembre, cosa que no me aumenten las filas originales
  dplyr::left_join(distinct(CONS_C1_df_dup_SEP_2020[,c("hash_key","dup")],hash_key, .keep_all = T),by=c("rut_enc_saf"="hash_key")) %>% 
  dplyr::distinct(rut_enc_saf, .keep_all = T) %>% 
      dplyr::summarise(n=n(),
                     sum_na = length(n[is.na(dup)]),
                     perc = scales::percent(sum_na/n, accuracy=.01))),
cbind(cat="RUTs in P.O. that are not in SENDA's most recent database (victims)",
base_fiscalia_acc_vic %>% 
    #sólo dejo RUT únicos en la de septiembre, cosa que no me aumenten las filas originales
  dplyr::left_join(distinct(CONS_C1_df_dup_SEP_2020[,c("hash_key","dup")],hash_key, .keep_all = T),by=c("rut_enc_saf"="hash_key")) %>% 
  dplyr::distinct(rut_enc_saf, .keep_all = T) %>% 
      dplyr::summarise(n=n(),
                     sum_na = length(n[is.na(dup)]),
                     perc = scales::percent(sum_na/n, accuracy=.01))),

cbind(cat="RUTs that matches with the original SENDA's database (accused)",
#Sólo el recuento de los RUTs
base_fiscalia_acc_imp %>% 
    #sólo dejo RUT únicos en la de septiembre, cosa que no me aumenten las filas originales
  dplyr::left_join(distinct(CONS_C1[,c("HASH_KEY","row")],HASH_KEY, .keep_all = T),by=c("rut_enc_saf"="HASH_KEY")) %>% 
  dplyr::distinct(rut_enc_saf, .keep_all = T) %>% 
      dplyr::summarise(n=n(),
                     sum_na = length(n[is.na(row)]),
                     perc = scales::percent(sum_na/n, accuracy=.01))),

cbind(cat="RUTs that matches with the original SENDA's database (victims)",
base_fiscalia_acc_vic %>% 
    #sólo dejo RUT únicos en la de septiembre, cosa que no me aumenten las filas originales
  dplyr::left_join(distinct(CONS_C1[,c("HASH_KEY","row")],HASH_KEY, .keep_all = T),by=c("rut_enc_saf"="HASH_KEY")) %>% 
  dplyr::distinct(rut_enc_saf, .keep_all = T) %>% 
      dplyr::summarise(n=n(),
                     sum_na = length(n[is.na(row)]),
                     perc = scales::percent(sum_na/n, accuracy=.01)))
) %>% 
knitr::kable(size=11, first.strip=T, hide.no="no",
           format="html",caption= "Table 7. Comparison of availability of RUTs") %>% #,col.names=c("Variables","Residential", "Ambulatory", "p-value")) %>% 
    kableExtra::kable_classic(bootstrap_options = c("striped", "hover","condensed"),font_size= 12)

Table 7. Comparison of availability of RUTs

cat	n	sum_na	perc
RUTs in P.O. that are not in SENDA’s most recent database (accused)	63537	369	0.58%
RUTs in P.O. that are not in SENDA’s most recent database (victims)	57320	398	0.69%
RUTs that matches with the original SENDA’s database (accused)	63537	0	0.00%
RUTs that matches with the original SENDA’s database (victims)	57320	0	0.00%

Preliminary Analyses for SER 2022

if(no_mostrar==0){
load("E:/Mi unidad/Alvacast/SISTRAT 2019 (github)/10.RData")
load("C:/Users/CISS Fondecyt/Mi unidad/Alvacast/SISTRAT 2019 (github)/10.RData")

if(!require(tidyr)){install.packages("tidyr")}
if(!require(DataExplorer)){install.packages("DataExplorer")}
if(!require(stringi)){install.packages("stringi")}
if(!require(stringr)){install.packages("stringr")}
if(!require(ggplot2)){install.packages("ggplot2")}
if(!require(Hmisc)){install.packages("Hmisc")}
if(!require(kableExtra)){install.packages("kableExtra")}
if(!require(plotly)){install.packages("plotly")}
if(!require(rbokeh)){install.packages("rbokeh")}
if(!require(altair)){install.packages("altair")}
if(!require(zoo)){install.packages("zoo")}
if(!require(codebook)){install.packages("codebook")}
if(!require(broom)){install.packages("broom")}
if(!require(sqldf)){install.packages("sqldf")} 
if(!require(devtools)){install.packages("devtools")}
if(!require(Statamarkdown)){install_github("hemken/Statamarkdown")}
if(!require(data.table)){install.packages("data.table")}
if(!require(boot)){install.packages("boot")}
if(!require(plyr)){install.packages("plyr")}
  if(!require(dplyr)){install.packages("dplyr")}
if(!require(matrixStats)){install.packages("matrixStats")}
  if(!require(janitor)){install.packages("janitor")}
if(!require(explore)){devtools::install_github("rolkra/explore",upgrade ="never")}
}
#We described the cumulative incidence rate of readmission and its variation by treatment outcome (i.e., early and late withdrawal from treatment vs. therapeutic discharge) and main substance of abuse at admission. Early withdraw was defined as withdraw within the first 90 days of treatment.

#There were 111,526 admissions from 81,923 people during 2010 and 2019. Seventy five percent were male and the average age at admission was 35. The main substance at admission was cocaine paste base (43.6%), followed by alcohol (30.5%), snort cocaine (18.3%), and marihuana (5.8%%). Among those with discharge information (N=103,723), the 22.6% had a therapeutic discharge, 34.1% had early withdraw, 16.9% had late withdraw, and 9.1% were expelled. The incidence rate of treatment readmission was 197 per 1,000 patients-year and the average time outside treatment (among readmitted patients) was 2.3 years. Compared with those with therapeutic discharge, the incidence rate ratio (IRR) for people with early and late withdraw was 2.85 (95%CI: 2.69, 3.01) and 1.72 (95%CI: 1.64, 1.80), respectively. Compared with those using alcohol as main substance at admission, the IRR for snort cocaine was 1.28 (IC95%: 1.22, 1.34) and for cocaine paste base was 1.53 (95%CI: 1.47, 1.58); no difference was observed for those using marijuana (IRR=1.03; 95%CI: 0.96, 1.10).

#Conclusions. Readmissions to SUD treatment were high, particularly among early withdrawers and those using cocaine paste at admission. Individual risk assessment at admission seems to be a crucial component of treatment to prevent early withdrawal and subsequent problems, such treatment readmission.
invisible("Una de las limitaciones del estudio preliminar es que tiene todos los RUT, incluso los 370 y algo que no calzan con la base de datos actual, y algunas entradas que debieron ser anuladas por error de digitación. Lo anterior, para tener en cuenta")

paste0("Drug treatment patients: ", length(unique(CONS_C1_df_dup_SEP_2020$hash_key)))

## [1] "Drug treatment patients: 85048"

paste0("Treatment episodes: ",length(CONS_C1_df_dup_SEP_2020$hash_key))

## [1] "Treatment episodes: 109756"

paste0("Drug treatment patients: ", length(unique(CONS_C1_df_dup_SEP_2020$hash_key)))

## [1] "Drug treatment patients: 85048"

print("percentages")

## [1] "percentages"

round(prop.table(table(ifelse(grepl("PR",CONS_C1_df_dup_SEP_2020$tipo_de_plan_2),"Residential","Ambulatory"))),3)*100

## 
##  Ambulatory Residential 
##        82.1        17.9

paste0("Mean length per treatment: ", round(mean(CONS_C1_df_dup_SEP_2020$dias_treat_imp_sin_na),1), " days")

## [1] "Mean length per treatment: 215.3 days"

round(prop.table(table(ifelse(grepl("Therapeutic",CONS_C1_df_dup_SEP_2020$motivodeegreso_mod_imp),"Therapeutic","Else"))),3)*100

## 
##        Else Therapeutic 
##        77.8        22.2

paste0("Entries of imputed relationships (crime, accused, victim and RUC): ",
       Base_fiscalia_v2 %>% 
         dplyr::filter(gls_mottermino!="Anulación de ingreso error de digitación"|is.na(gls_mottermino)) %>% 
         dplyr::filter(rut_enc_saf %in% unique(CONS_C1_df_dup_SEP_2020$hash_key)) %>% 
  dplyr::mutate(accused=dplyr::case_when(encontrado_como_victima=="SI" & encontrado_como_imputado=="SI"~"IMPUTADO",
                                 encontrado_como_victima=="NO" & encontrado_como_imputado=="SI"~"IMPUTADO",
                                 T~"VICTIMA")) %>% 
      dplyr::filter(accused=="IMPUTADO") %>% nrow() %>%  format(big.mark=","))

## [1] "Entries of imputed relationships (crime, accused, victim and RUC): 374,228"

paste0("Criminal processes (RUCs) that had an imputed in which a SENDAs patient participated as an accused: ",
       Base_fiscalia_v2 %>% 
         dplyr::filter(gls_mottermino!="Anulación de ingreso error de digitación"|is.na(gls_mottermino)) %>% 
         dplyr::filter(rut_enc_saf %in% unique(CONS_C1_df_dup_SEP_2020$hash_key)) %>% 
         dplyr::mutate(accused=dplyr::case_when(encontrado_como_victima=="SI" & encontrado_como_imputado=="SI"~"IMPUTADO",
                                                  encontrado_como_victima=="NO" & encontrado_como_imputado=="SI"~"IMPUTADO",
                                                  T~"VICTIMA")) %>% 
         dplyr::filter(accused=="IMPUTADO") %>%
         #slice(1:500) %>% 
         dplyr::distinct(ruc) %>% 
         nrow() %>% format(big.mark=","))

## [1] "Criminal processes (RUCs) that had an imputed in which a SENDAs patient participated as an accused: 324,858"

#324,858 casos distintos

invisible("son como 326299/63537=5.15 por rut")

paste0("Percentage of patients involved in criminal process (RUCs) as accused: ",
       scales::percent(
         Base_fiscalia_v2 %>% 
          dplyr::filter(gls_mottermino!="Anulación de ingreso error de digitación"|is.na(gls_mottermino)) %>% 
          dplyr::filter(rut_enc_saf %in% unique(CONS_C1_df_dup_SEP_2020$hash_key)) %>% 
          dplyr::mutate(accused=dplyr::case_when(encontrado_como_victima=="SI" & encontrado_como_imputado=="SI"~"IMPUTADO",
                                                  encontrado_como_victima=="NO" & encontrado_como_imputado=="SI"~"IMPUTADO",
                                                  T~"VICTIMA")) %>% 
         dplyr::filter(accused=="IMPUTADO") %>% 
         dplyr::distinct(rut_enc_saf) %>% nrow()/length(unique(CONS_C1_df_dup_SEP_2020$hash_key))
       )
)

## [1] "Percentage of patients involved in criminal process (RUCs) as accused: 74%"

#63158 envueltos

cat("Grouped distinct combinations of  RUTs, RUCs (criminal processes) & type of crime (gls_materia) that they were charged")

## Grouped distinct combinations of  RUTs, RUCs (criminal processes) & type of crime (gls_materia) that they were charged

paste0("[CALCULATED WRONGLY]Percentage of patients involved in criminal processes (RUCs) as accused that were charged for violent crimes: ",
         Base_fiscalia_v2 %>% 
         dplyr::filter(gls_mottermino!="Anulación de ingreso error de digitación"|is.na(gls_mottermino)) %>% 
        dplyr::filter(rut_enc_saf %in% unique(CONS_C1_df_dup_SEP_2020$hash_key)) %>% 
         dplyr::mutate(accused=dplyr::case_when(encontrado_como_victima=="SI" & encontrado_como_imputado=="SI"~"IMPUTADO",
                                                  encontrado_como_victima=="NO" & encontrado_como_imputado=="SI"~"IMPUTADO",
                                                  T~"VICTIMA")) %>% 
         dplyr::filter(accused=="IMPUTADO") %>% 
        # dplyr::slice(1:1000) %>% 
         dplyr::distinct(rut_enc_saf, ruc, gls_materia, .keep_all = T) %>% 
         dplyr::mutate(familia_delito_rec=dplyr::case_when(grepl("LESA HUMANIDAD",familia_delito)~"VIOLENT CRIME",
                                                           grepl("SEXUALES",familia_delito)~"VIOLENT CRIME",
                                                           grepl("ROBOS$",familia_delito)~"VIOLENT CRIME",
                                                           grepl("LESIONES$",familia_delito)~"VIOLENT CRIME",
                                                           grepl("HOMICIDIOS$",familia_delito)~"VIOLENT CRIME",
                                                           grepl("DROGAS$",familia_delito)~"DRUG-RELATED CRIME",
                                                           grepl("RELEVANCIA",familia_delito)& grepl("DROGAS",gls_materia)~"DRUG-RELATED CRIME",
                                                           grepl("RELEVANCIA",familia_delito)& grepl("PRESUNTA",gls_materia)~"VIOLENT CRIME",
                                                           grepl("RELEVANCIA",familia_delito)& grepl("MUERTES",gls_materia)~"VIOLENT CRIME",
                                                           T~"OTHER CHARGES")) %>% 
         #janitor::tabyl(familia_delito,familia_delito_rec)
         janitor::tabyl(familia_delito_rec) %>% 
         dplyr::filter(familia_delito_rec=="VIOLENT CRIME") %>% 
         dplyr::mutate(percent=round(percent*100,1)) %>% 
         dplyr::select(percent) %>% 
         as.numeric(),"%"
)

## [1] "[CALCULATED WRONGLY]Percentage of patients involved in criminal processes (RUCs) as accused that were charged for violent crimes: 19.3%"

#El problema es que este porcentaje no está hecho de personas, sino de casos distintos. Para hacerlo por personas debo reagrupar por persona y contar si ha tenido delito de algun tipo.

paste0("[CALCULATED WRONGLY]Percentage of patients involved in criminal processes as accused that were charged for drug-related crimes: ",
         Base_fiscalia_v2 %>% 
         dplyr::filter(gls_mottermino!="Anulación de ingreso error de digitación"|is.na(gls_mottermino)) %>% 
        dplyr::filter(rut_enc_saf %in% unique(CONS_C1_df_dup_SEP_2020$hash_key)) %>% 
         dplyr::mutate(accused=dplyr::case_when(encontrado_como_victima=="SI" & encontrado_como_imputado=="SI"~"IMPUTADO",
                                                  encontrado_como_victima=="NO" & encontrado_como_imputado=="SI"~"IMPUTADO",
                                                  T~"VICTIMA")) %>% 
         dplyr::filter(accused=="IMPUTADO") %>% 
        # dplyr::slice(1:1000) %>% 
         dplyr::distinct(rut_enc_saf, ruc, gls_materia, .keep_all = T) %>% 
         dplyr::mutate(familia_delito_rec=dplyr::case_when(grepl("LESA HUMANIDAD",familia_delito)~"VIOLENT CRIME",
                                                           grepl("SEXUALES",familia_delito)~"VIOLENT CRIME",
                                                           grepl("ROBOS$",familia_delito)~"VIOLENT CRIME",
                                                           grepl("LESIONES$",familia_delito)~"VIOLENT CRIME",
                                                           grepl("HOMICIDIOS$",familia_delito)~"VIOLENT CRIME",
                                                           grepl("DROGAS$",familia_delito)~"DRUG-RELATED CRIME",
                                                           grepl("RELEVANCIA",familia_delito)& grepl("DROGAS",gls_materia)~"DRUG-RELATED CRIME",
                                                           grepl("RELEVANCIA",familia_delito)& grepl("PRESUNTA",gls_materia)~"VIOLENT CRIME",
                                                           grepl("RELEVANCIA",familia_delito)& grepl("MUERTES",gls_materia)~"VIOLENT CRIME",
                                                           T~"OTHER CHARGES")) %>% 
         #janitor::tabyl(familia_delito,familia_delito_rec)
         janitor::tabyl(familia_delito_rec) %>% 
         dplyr::filter(familia_delito_rec=="DRUG-RELATED CRIME") %>% 
         dplyr::mutate(percent=round(percent*100,1)) %>% 
         dplyr::select(percent) %>% 
         as.numeric(),"%"
)         

## [1] "[CALCULATED WRONGLY]Percentage of patients involved in criminal processes as accused that were charged for drug-related crimes: 2.7%"

#E:\Mi unidad\Alvacast\SISTRAT 2019 (github)\SER 2022 analyses.xlsx         
  
paste0("[CALCULATED WRONGLY] Percentage of patients involved in criminal processes as accused that had charges and resulted in full or partial incarceration: ",
         100-Base_fiscalia_v2 %>% 
         dplyr::filter(gls_mottermino!="Anulación de ingreso error de digitación"|is.na(gls_mottermino)) %>% 
        dplyr::filter(rut_enc_saf %in% unique(CONS_C1_df_dup_SEP_2020$hash_key)) %>% 
         dplyr::mutate(accused=dplyr::case_when(encontrado_como_victima=="SI" & encontrado_como_imputado=="SI"~"IMPUTADO",
                                                  encontrado_como_victima=="NO" & encontrado_como_imputado=="SI"~"IMPUTADO",
                                                  T~"VICTIMA")) %>% 
         dplyr::filter(accused=="IMPUTADO") %>%   
          dplyr::distinct(rut_enc_saf, ruc, gls_materia, .keep_all = T) %>% 
         #https://www.youtube.com/watch?v=wvb9WXMKQ1g
         janitor::tabyl(clasificacion_pena_47) %>% #clasificacion_pena_55)
      #  dplyr::filter(gls_mottermino=="Sentencia definitiva condenatoria") %>% 
       #  gls_proctermino 
        data.frame() %>% 
        dplyr::mutate(percent=round(percent*100,1)) %>% 
        dplyr::filter(is.na(clasificacion_pena_47)) %>% 
        dplyr::select(percent) %>% 
        as.numeric(),
      "%")

## [1] "[CALCULATED WRONGLY] Percentage of patients involved in criminal processes as accused that had charges and resulted in full or partial incarceration: 15.9%"

print("They were CALCULATED WRONGLY because the frequencies and percentages were not done by the percentage of patients, but by the percentage of combinations of different crimes, criminal process and patients")

## [1] "They were CALCULATED WRONGLY because the frequencies and percentages were not done by the percentage of patients, but by the percentage of combinations of different crimes, criminal process and patients"

cat("Generate a database with the count of charges by user")          

## Generate a database with the count of charges by user

charges_by_patients<-
Base_fiscalia_v2 %>% 
      dplyr::filter(gls_mottermino!="Anulación de ingreso error de digitación"|is.na(gls_mottermino)) %>% 
      dplyr::filter(rut_enc_saf %in% unique(CONS_C1_df_dup_SEP_2020$hash_key)) %>% 
      #563810
      dplyr::mutate(accused=dplyr::case_when(encontrado_como_victima=="SI" & encontrado_como_imputado=="SI"~"IMPUTADO",
                                             encontrado_como_victima=="NO" & encontrado_como_imputado=="SI"~"IMPUTADO",
                                             T~"VICTIMA")) %>% 
      dplyr::filter(accused=="IMPUTADO") %>% 
      # dplyr::slice(1:1000) %>% 
      dplyr::distinct(rut_enc_saf, ruc, gls_materia, .keep_all = T) %>% 
      dplyr::mutate(familia_delito_rec=dplyr::case_when(grepl("LESA HUMANIDAD",familia_delito)~"VIOLENT CRIME",
                                                        grepl("SEXUALES",familia_delito)~"VIOLENT CRIME",
                                                        grepl("ROBOS$",familia_delito)~"VIOLENT CRIME",
                                                        grepl("LESIONES$",familia_delito)~"VIOLENT CRIME",
                                                        grepl("HOMICIDIOS$",familia_delito)~"VIOLENT CRIME",
                                                        grepl("DROGAS$",familia_delito)~"DRUG-RELATED CRIME",
                                                        grepl("RELEVANCIA",familia_delito)& grepl("DROGAS",gls_materia)~"DRUG-RELATED CRIME",
                                                        grepl("RELEVANCIA",familia_delito)& grepl("PRESUNTA",gls_materia)~"VIOLENT CRIME",
                                                        grepl("RELEVANCIA",familia_delito)& grepl("MUERTES",gls_materia)~"VIOLENT CRIME",
                                                        T~"OTHER CHARGES")) %>% 
      dplyr::group_by(rut_enc_saf,familia_delito_rec) %>% 
      dplyr::count() %>% 
      tidyr::pivot_wider(names_from= familia_delito_rec, values_from= n, values_fill= 0) %>% 
      janitor::clean_names() %>%
      dplyr::ungroup() %>%
      dplyr::mutate(tot_charges=base::rowSums(dplyr::select(., 2:4)))

  #Un ejemplo
Base_fiscalia_v2 %>% 
    dplyr::filter(gls_mottermino!="Anulación de ingreso error de digitación"|is.na(gls_mottermino)) %>% 
    dplyr::filter(rut_enc_saf %in% unique(CONS_C1_df_dup_SEP_2020$hash_key)) %>% 
    #563810
    dplyr::mutate(accused=dplyr::case_when(encontrado_como_victima=="SI" & encontrado_como_imputado=="SI"~"IMPUTADO",
                                           encontrado_como_victima=="NO" & encontrado_como_imputado=="SI"~"IMPUTADO",
                                           T~"VICTIMA")) %>% 
    dplyr::filter(accused=="IMPUTADO") %>% 
    # dplyr::slice(1:1000) %>% 
    dplyr::distinct(rut_enc_saf, ruc, gls_materia, .keep_all = T) %>% 
    dplyr::mutate(familia_delito_rec=dplyr::case_when(grepl("LESA HUMANIDAD",familia_delito)~"VIOLENT CRIME",
                                                      grepl("SEXUALES",familia_delito)~"VIOLENT CRIME",
                                                      grepl("ROBOS$",familia_delito)~"VIOLENT CRIME",
                                                      grepl("LESIONES$",familia_delito)~"VIOLENT CRIME",
                                                      grepl("HOMICIDIOS$",familia_delito)~"VIOLENT CRIME",
                                                      grepl("DROGAS$",familia_delito)~"DRUG-RELATED CRIME",
                                                      grepl("RELEVANCIA",familia_delito)& grepl("DROGAS",gls_materia)~"DRUG-RELATED CRIME",
                                                      grepl("RELEVANCIA",familia_delito)& grepl("PRESUNTA",gls_materia)~"VIOLENT CRIME",
                                                      grepl("RELEVANCIA",familia_delito)& grepl("MUERTES",gls_materia)~"VIOLENT CRIME",
                                                      T~"OTHER CHARGES")) %>% 
    dplyr::filter(rut_enc_saf=="002c979e254773f17812d9bff13996dc") %>% 
    dplyr::select(rut_enc_saf, ruc, familia_delito_rec, gls_materia) %>% 
knitr::kable(format="html",caption="Table 8. An example of distinct combination of charges by different criminal processes") %>% 
  kableExtra::kable_classic(font_size = 11) %>% 
  kableExtra::scroll_box(width = "100%", height = "350px")

Table 8. An example of distinct combination of charges by different criminal processes

rut_enc_saf	ruc	familia_delito_rec	gls_materia
002c979e254773f17812d9bff13996dc	1200372112-2	OTHER CHARGES	FALSIFICACIÓN O USO MALICIOSO DE DOC. PRIVADOS ART.197 Y 198
002c979e254773f17812d9bff13996dc	1000224530-8	OTHER CHARGES	HURTO SIMPLE POR UN VALOR DE 4 A 40 UTM
002c979e254773f17812d9bff13996dc	1000368025-3	OTHER CHARGES	HURTO SIMPLE POR UN VALOR DE MEDIA A 4 UTM
002c979e254773f17812d9bff13996dc	1300041257-5	OTHER CHARGES	FALSIFICACION O USO MALICIOSO DE DOCUMENTOS PUBLICOS
002c979e254773f17812d9bff13996dc	1300143564-1	VIOLENT CRIME	LESIONES MENOS GRAVES
002c979e254773f17812d9bff13996dc	1001020522-6	OTHER CHARGES	HURTO FALTA 494 BIS CÓDIGO PENAL
002c979e254773f17812d9bff13996dc	1301098596-4	OTHER CHARGES	AMENAZAS CONDIC. CONTRA PERSONAS Y PROP. ART. 296 1 y 2, 297
002c979e254773f17812d9bff13996dc	1300915738-1	OTHER CHARGES	USO FRAUDULENTO DE TARJETAS O MEDIOS DE PAGO. LEY 20.009
002c979e254773f17812d9bff13996dc	1300947940-0	OTHER CHARGES	USO FRAUDULENTO DE TARJETAS O MEDIOS DE PAGO. LEY 20.009
002c979e254773f17812d9bff13996dc	1100196636-9	OTHER CHARGES	HURTO FALTA 494 BIS CÓDIGO PENAL
002c979e254773f17812d9bff13996dc	1100125908-5	VIOLENT CRIME	LESIONES MENOS GRAVES
002c979e254773f17812d9bff13996dc	1100118797-1	OTHER CHARGES	HURTO FALTA 494 BIS CÓDIGO PENAL
002c979e254773f17812d9bff13996dc	1100769126-4	OTHER CHARGES	FALSIFICACIÓN O USO MALICIOSO DE DOC. PRIVADOS ART.197 Y 198
002c979e254773f17812d9bff13996dc	1100969379-5	OTHER CHARGES	DELITO DESÓRDENES PÚBLICOS ART. 269 (NO FALTA DEL CÓD 13035)
002c979e254773f17812d9bff13996dc	1201114024-4	OTHER CHARGES	HURTO FALTA 494 BIS CÓDIGO PENAL
002c979e254773f17812d9bff13996dc	1100485721-8	OTHER CHARGES	FALSIFICACIÓN O USO MALICIOSO DE DOC. PRIVADOS ART.197 Y 198
002c979e254773f17812d9bff13996dc	1200410556-5	OTHER CHARGES	FALSIFICACIÓN O USO MALICIOSO DE DOC. PRIVADOS ART.197 Y 198
002c979e254773f17812d9bff13996dc	1200443291-4	OTHER CHARGES	RECEPTACIÓN. ART. 456 BIS A
002c979e254773f17812d9bff13996dc	1200372112-2	OTHER CHARGES	RECEPTACIÓN. ART. 456 BIS A
002c979e254773f17812d9bff13996dc	1200443291-4	OTHER CHARGES	CONSUMO/PORTE EN LUG. PÚB.O PRIV. CON PREV.CONCIERTO(ART.50)
002c979e254773f17812d9bff13996dc	1400494045-9	OTHER CHARGES	FALSIFICACIÓN O USO MALICIOSO DE DOC. PRIVADOS ART.197 Y 198
002c979e254773f17812d9bff13996dc	1410038401-K	OTHER CHARGES	FALSIFICACIÓN O USO MALICIOSO DE DOC. PRIVADOS ART.197 Y 198
002c979e254773f17812d9bff13996dc	1700286100-3	OTHER CHARGES	ESTAFAS Y OTRAS DEFRAUDACIONES CONTRA PARTICULARES
002c979e254773f17812d9bff13996dc	1800445253-0	OTHER CHARGES	ESTAFAS Y OTRAS DEFRAUDACIONES CONTRA PARTICULARES
002c979e254773f17812d9bff13996dc	1700517664-6	OTHER CHARGES	ESTAFAS Y OTRAS DEFRAUDACIONES CONTRA PARTICULARES
002c979e254773f17812d9bff13996dc	1200582969-9	OTHER CHARGES	ESTAFAS Y OTRAS DEFRAUDACIONES CONTRA PARTICULARES
002c979e254773f17812d9bff13996dc	1200582969-9	OTHER CHARGES	FALSIFICACIÓN O USO MALICIOSO DE DOC. PRIVADOS ART.197 Y 198
002c979e254773f17812d9bff13996dc	1400546111-2	OTHER CHARGES	ESTAFAS Y OTRAS DEFRAUDACIONES CONTRA PARTICULARES
002c979e254773f17812d9bff13996dc	1400546111-2	OTHER CHARGES	FALSIFICACIÓN O USO MALICIOSO DE DOC. PRIVADOS ART.197 Y 198
002c979e254773f17812d9bff13996dc	1400546111-2	OTHER CHARGES	FALSIFICACION O USO MALICIOSO DE DOCUMENTOS PUBLICOS
002c979e254773f17812d9bff13996dc	1400619296-4	OTHER CHARGES	FALSIFICACION O USO MALICIOSO DE DOCUMENTOS PUBLICOS
002c979e254773f17812d9bff13996dc	1310026253-8	OTHER CHARGES	USO FRAUDULENTO DE TARJETAS O MEDIOS DE PAGO. LEY 20.009
002c979e254773f17812d9bff13996dc	1401175419-9	OTHER CHARGES	FALSIFICACIÓN O USO MALICIOSO DE DOC. PRIVADOS ART.197 Y 198
002c979e254773f17812d9bff13996dc	1701079586-9	OTHER CHARGES	ESTAFAS Y OTRAS DEFRAUDACIONES CONTRA PARTICULARES
002c979e254773f17812d9bff13996dc	1800362990-9	OTHER CHARGES	FALSIFICACIÓN O USO MALICIOSO DE DOC. PRIVADOS ART.197 Y 198

cases_by_patients<-
Base_fiscalia_v2 %>% 
      dplyr::filter(gls_mottermino!="Anulación de ingreso error de digitación"|is.na(gls_mottermino)) %>% 
      dplyr::filter(rut_enc_saf %in% unique(CONS_C1_df_dup_SEP_2020$hash_key)) %>% 
      #563810
      dplyr::mutate(accused=dplyr::case_when(encontrado_como_victima=="SI" & encontrado_como_imputado=="SI"~"IMPUTADO",
                                             encontrado_como_victima=="NO" & encontrado_como_imputado=="SI"~"IMPUTADO",
                                             T~"VICTIMA")) %>% 
      dplyr::filter(accused=="IMPUTADO") %>% 
      # dplyr::slice(1:1000) %>% 
      dplyr::distinct(rut_enc_saf, ruc, gls_materia, .keep_all = T) %>% 
      dplyr::mutate(familia_delito_rec=dplyr::case_when(grepl("LESA HUMANIDAD",familia_delito)~"VIOLENT CRIME",
                                                        grepl("SEXUALES",familia_delito)~"VIOLENT CRIME",
                                                        grepl("ROBOS$",familia_delito)~"VIOLENT CRIME",
                                                        grepl("LESIONES$",familia_delito)~"VIOLENT CRIME",
                                                        grepl("HOMICIDIOS$",familia_delito)~"VIOLENT CRIME",
                                                        grepl("DROGAS$",familia_delito)~"DRUG-RELATED CRIME",
                                                        grepl("RELEVANCIA",familia_delito)& grepl("DROGAS",gls_materia)~"DRUG-RELATED CRIME",
                                                        grepl("RELEVANCIA",familia_delito)& grepl("PRESUNTA",gls_materia)~"VIOLENT CRIME",
                                                        grepl("RELEVANCIA",familia_delito)& grepl("MUERTES",gls_materia)~"VIOLENT CRIME",
                                                        T~"OTHER CHARGES")) %>% 
      dplyr::group_by(rut_enc_saf,ruc) %>% 
      dplyr::count() 

paste0("Patients involved in criminal processes (RUCs) as accused were charged with an average of ",
       round(mean(charges_by_patients$tot_charges),1)," charged with an average of ", round(mean(cases_by_patients$n),1), " RUCs")

## [1] "Patients involved in criminal processes (RUCs) as accused were charged with an average of 5.6 charged with an average of 1.1 RUCs"

paste0("[CORRECTED]Percentage of patients involved in criminal processes (RUCs) as accused that have been charged for violent crimes: ",
       charges_by_patients %>% 
         dplyr::mutate(violent_crime_bin=ifelse(violent_crime>0,1,0)) %>% 
         janitor::tabyl(violent_crime_bin) %>% 
       data.frame() %>% 
        dplyr::filter(violent_crime_bin==1) %>% 
        dplyr::mutate(percent=round(percent*100,1)) %>% 
        dplyr::select(percent) %>% 
         as.numeric(),"%")

## [1] "[CORRECTED]Percentage of patients involved in criminal processes (RUCs) as accused that have been charged for violent crimes: 52.4%"

paste0("[CORRECTED]Percentage of patients involved in criminal processes as accused that have been charged for drug-related crimes: ",
       charges_by_patients %>% 
         dplyr::mutate(drug_related_crime_bin=ifelse(drug_related_crime>0,1,0)) %>% 
         janitor::tabyl(drug_related_crime_bin) %>% 
       data.frame() %>% 
        dplyr::filter(drug_related_crime_bin==1) %>% 
        dplyr::mutate(percent=round(percent*100,1)) %>% 
        dplyr::select(percent) %>% 
         as.numeric(),"%")       

## [1] "[CORRECTED]Percentage of patients involved in criminal processes as accused that have been charged for drug-related crimes: 11.2%"

paste0("[CORRECTED]Percentage of patients involved in criminal processes as accused that have been charged for other crimes: ",
              charges_by_patients %>% 
         dplyr::mutate(other_charges_bin=ifelse(other_charges>0,1,0)) %>% 
         janitor::tabyl(other_charges_bin) %>% 
       data.frame() %>% 
        dplyr::filter(other_charges_bin==1) %>% 
        dplyr::mutate(percent=round(percent*100,1)) %>% 
        dplyr::select(percent) %>% 
         as.numeric(),"%")       

## [1] "[CORRECTED]Percentage of patients involved in criminal processes as accused that have been charged for other crimes: 91.8%"

charges_by_patients_perc_pena<-
Base_fiscalia_v2 %>% 
      dplyr::filter(gls_mottermino!="Anulación de ingreso error de digitación"|is.na(gls_mottermino)) %>% 
      dplyr::filter(rut_enc_saf %in% unique(CONS_C1_df_dup_SEP_2020$hash_key)) %>% 
      #563810
      dplyr::mutate(accused=dplyr::case_when(encontrado_como_victima=="SI" & encontrado_como_imputado=="SI"~"IMPUTADO",
                                             encontrado_como_victima=="NO" & encontrado_como_imputado=="SI"~"IMPUTADO",
                                             T~"VICTIMA")) %>% 
      dplyr::filter(accused=="IMPUTADO") %>% 
      #The only difference that had with the other count
      dplyr::filter(!is.na(clasificacion_pena_47)) %>% 
      # dplyr::slice(1:1000) %>% 
      dplyr::distinct(rut_enc_saf, ruc, gls_materia, .keep_all = T) %>% 
      dplyr::mutate(familia_delito_rec=dplyr::case_when(grepl("LESA HUMANIDAD",familia_delito)~"VIOLENT CRIME",
                                                        grepl("SEXUALES",familia_delito)~"VIOLENT CRIME",
                                                        grepl("ROBOS$",familia_delito)~"VIOLENT CRIME",
                                                        grepl("LESIONES$",familia_delito)~"VIOLENT CRIME",
                                                        grepl("HOMICIDIOS$",familia_delito)~"VIOLENT CRIME",
                                                        grepl("DROGAS$",familia_delito)~"DRUG-RELATED CRIME",
                                                        grepl("RELEVANCIA",familia_delito)& grepl("DROGAS",gls_materia)~"DRUG-RELATED CRIME",
                                                        grepl("RELEVANCIA",familia_delito)& grepl("PRESUNTA",gls_materia)~"VIOLENT CRIME",
                                                        grepl("RELEVANCIA",familia_delito)& grepl("MUERTES",gls_materia)~"VIOLENT CRIME",
                                                        T~"OTHER CHARGES")) %>% 
      dplyr::group_by(rut_enc_saf,familia_delito_rec) %>% 
      dplyr::count() %>% 
      tidyr::pivot_wider(names_from= familia_delito_rec, values_from= n, values_fill= 0) %>% 
      janitor::clean_names() %>%
      dplyr::ungroup() %>%
      dplyr::mutate(tot_charges=base::rowSums(dplyr::select(., 2:4)))

hist(charges_by_patients$tot_charges, breaks=100, xlim=c(0,50), main="N of different Charges in RUCs", xlab=NULL)
mtext("Limited to the first 50 combinations of patients, criminal processes & crimes")

Only a 22% had only one charge throughout Prosecutor’s office records.

paste0("[CORRECTED] Percentage of patients involved in criminal processes as accused that had charges and resulted in full or partial incarceration: ",
       scales::percent(nrow(charges_by_patients_perc_pena)/nrow(charges_by_patients), accuracy=0.1),
       "")

## [1] "[CORRECTED] Percentage of patients involved in criminal processes as accused that had charges and resulted in full or partial incarceration: 36.6%"

scales::percent(
charges_by_patients_perc_pena %>% 
    dplyr::left_join(dplyr::filter(CONS_C1_df_dup_SEP_2020[,c("hash_key","dup","fech_egres_imp","motivodeegreso_mod_imp")], dup==1), by=c("rut_enc_saf"="hash_key")) %>% 
  janitor::tabyl(motivodeegreso_mod_imp)%>% 
  dplyr::filter(motivodeegreso_mod_imp=="Therapeutic discharge") %>% 
  dplyr::select(n) %>% 
  as.numeric()/
charges_by_patients %>% 
    dplyr::left_join(dplyr::filter(CONS_C1_df_dup_SEP_2020[,c("hash_key","dup","fech_egres_imp","motivodeegreso_mod_imp")], dup==1), by=c("rut_enc_saf"="hash_key")) %>% 
  janitor::tabyl(motivodeegreso_mod_imp)%>% 
  dplyr::filter(motivodeegreso_mod_imp=="Therapeutic discharge") %>% 
  dplyr::select(n) %>% 
  as.numeric() 
)

## [1] "30%"

paste0("Percentage of patients involved in criminal processes as accused that had charges and resulted in full or partial incarceration of those who Completed their first treatment (percentage discarded ongoing treatments): ",
scales::percent(
charges_by_patients_perc_pena %>% 
    dplyr::left_join(dplyr::filter(CONS_C1_df_dup_SEP_2020[,c("hash_key","dup","fech_egres_imp","motivodeegreso_mod_imp")], dup==1), by=c("rut_enc_saf"="hash_key")) %>% 
  dplyr::mutate(motivodeegreso_mod_imp_rec=ifelse(motivodeegreso_mod_imp=="Therapeutic discharge",1,0)) %>% 
  dplyr::filter(motivodeegreso_mod_imp!="Ongoing treatment") %>% 
  janitor::tabyl(motivodeegreso_mod_imp_rec)%>% 
  dplyr::filter(motivodeegreso_mod_imp_rec==1) %>% 
  dplyr::select(n) %>% 
  as.numeric()/
charges_by_patients %>% 
    dplyr::left_join(dplyr::filter(CONS_C1_df_dup_SEP_2020[,c("hash_key","dup","fech_egres_imp","motivodeegreso_mod_imp")], dup==1), by=c("rut_enc_saf"="hash_key")) %>% 
  dplyr::mutate(motivodeegreso_mod_imp_rec=ifelse(motivodeegreso_mod_imp=="Therapeutic discharge",1,0)) %>% 
  dplyr::filter(motivodeegreso_mod_imp!="Ongoing treatment") %>% 
  janitor::tabyl(motivodeegreso_mod_imp_rec)%>% 
  dplyr::filter(motivodeegreso_mod_imp_rec==1) %>%  
  dplyr::select(n) %>% 
  as.numeric() 
))

## [1] "Percentage of patients involved in criminal processes as accused that had charges and resulted in full or partial incarceration of those who Completed their first treatment (percentage discarded ongoing treatments): 30%"

paste0("Percentage of patients involved in criminal processes as accused that had charges and resulted in full or partial incarceration of those who did not Complete their first treatment (percentage discarded ongoing treatments): ",
scales::percent(
charges_by_patients_perc_pena %>% 
    dplyr::left_join(dplyr::filter(CONS_C1_df_dup_SEP_2020[,c("hash_key","dup","fech_egres_imp","motivodeegreso_mod_imp")], dup==1), by=c("rut_enc_saf"="hash_key")) %>% 
  dplyr::mutate(motivodeegreso_mod_imp_rec=ifelse(motivodeegreso_mod_imp=="Therapeutic discharge",1,0)) %>% 
  dplyr::filter(motivodeegreso_mod_imp!="Ongoing treatment") %>% 
  janitor::tabyl(motivodeegreso_mod_imp_rec)%>% 
  dplyr::filter(motivodeegreso_mod_imp_rec==0) %>% 
  dplyr::select(n) %>% 
  as.numeric()/
charges_by_patients %>% 
    dplyr::left_join(dplyr::filter(CONS_C1_df_dup_SEP_2020[,c("hash_key","dup","fech_egres_imp","motivodeegreso_mod_imp")], dup==1), by=c("rut_enc_saf"="hash_key")) %>% 
  dplyr::mutate(motivodeegreso_mod_imp_rec=ifelse(motivodeegreso_mod_imp=="Therapeutic discharge",1,0)) %>% 
  dplyr::filter(motivodeegreso_mod_imp!="Ongoing treatment") %>% 
  janitor::tabyl(motivodeegreso_mod_imp_rec)%>% 
  dplyr::filter(motivodeegreso_mod_imp_rec==0) %>% 
  dplyr::select(n) %>% 
  as.numeric() 
))

## [1] "Percentage of patients involved in criminal processes as accused that had charges and resulted in full or partial incarceration of those who did not Complete their first treatment (percentage discarded ongoing treatments): 39%"

paste0("[CORRECTED] Percentage of patients involved in criminal processes as accused that had charges and resulted in full or partial incarceration: ",
       scales::percent(nrow(charges_by_patients_perc_pena)/nrow(charges_by_patients), accuracy=0.1),
       "")

## [1] "[CORRECTED] Percentage of patients involved in criminal processes as accused that had charges and resulted in full or partial incarceration: 36.6%"

invisible("Diferencia cargos criminales")
paste0("On average, people that completed their first treatment had a difference of XX in criminal charges (discarding Ongoing treatments)")

## [1] "On average, people that completed their first treatment had a difference of XX in criminal charges (discarding Ongoing treatments)"

t.test(tot_charges~factor(tr_comp),
charges_by_patients %>% 
  dplyr::left_join(dplyr::filter(CONS_C1_df_dup_SEP_2020[,c("hash_key","dup","fech_egres_imp","motivodeegreso_mod_imp")], dup==1), by=c("rut_enc_saf"="hash_key")) %>%
  #janitor::tabyl(motivodeegreso_mod_imp) %>% 
  dplyr::filter(motivodeegreso_mod_imp!="Ongoing treatment") %>% 
  dplyr::mutate(tr_comp=ifelse(motivodeegreso_mod_imp=="Therapeutic discharge",1,0)))

    Welch Two Sample t-test

data:  tot_charges by factor(tr_comp)
t = 33.371, df = 25336, p-value < 0.00000000000000022
alternative hypothesis: true difference in means between group 0 and group 1 is not equal to 0
95 percent confidence interval:
 1.690227 1.901171
sample estimates:
mean in group 0 mean in group 1 
       6.011362        4.215663 

round(6.011362-4.215663,2) #1.8

## [1] 1.8

paste0("On average, people that completed their first treatment had a difference of XX in criminal charges [w/ ongoing treatments as non-completion]")

## [1] "On average, people that completed their first treatment had a difference of XX in criminal charges [w/ ongoing treatments as non-completion]"

t.test(tot_charges~factor(tr_comp),
charges_by_patients %>% 
  dplyr::left_join(dplyr::filter(CONS_C1_df_dup_SEP_2020[,c("hash_key","dup","fech_egres_imp","motivodeegreso_mod_imp")], dup==1), by=c("rut_enc_saf"="hash_key")) %>%
  #janitor::tabyl(motivodeegreso_mod_imp) %>% 
  #dplyr::filter(motivodeegreso_mod_imp!="Ongoing treatment") %>% 
  dplyr::mutate(tr_comp=ifelse(motivodeegreso_mod_imp=="Therapeutic discharge",1,0)))

    Welch Two Sample t-test

data:  tot_charges by factor(tr_comp)
t = 31.388, df = 24064, p-value < 0.00000000000000022
alternative hypothesis: true difference in means between group 0 and group 1 is not equal to 0
95 percent confidence interval:
 1.557897 1.765428
sample estimates:
mean in group 0 mean in group 1 
       5.877325        4.215663 

round(5.877325-4.215663,2) #1.66

## [1] 1.66

invisible("Diferencia cargos criminales violentos")
paste0("On average, people that completed their first treatment had a difference of XX in violent criminal charges (discarding Ongoing treatments)")

## [1] "On average, people that completed their first treatment had a difference of XX in violent criminal charges (discarding Ongoing treatments)"

t.test(violent_crime~factor(tr_comp),
charges_by_patients %>% 
  dplyr::left_join(dplyr::filter(CONS_C1_df_dup_SEP_2020[,c("hash_key","dup","fech_egres_imp","motivodeegreso_mod_imp")], dup==1), by=c("rut_enc_saf"="hash_key")) %>%
  #janitor::tabyl(motivodeegreso_mod_imp) %>% 
  dplyr::filter(motivodeegreso_mod_imp!="Ongoing treatment") %>% 
  dplyr::mutate(tr_comp=ifelse(motivodeegreso_mod_imp=="Therapeutic discharge",1,0)))

    Welch Two Sample t-test

data:  violent_crime by factor(tr_comp)
t = 21.32, df = 23738, p-value < 0.00000000000000022
alternative hypothesis: true difference in means between group 0 and group 1 is not equal to 0
95 percent confidence interval:
 0.2707974 0.3256311
sample estimates:
mean in group 0 mean in group 1 
      1.1451374       0.8469231 

round(1.1451374-0.8469231,2) #0.3

## [1] 0.3

paste0("On average, people that completed their first treatment had a difference of XX in violent criminal charges [w/ ongoing treatments as non-completion]")

## [1] "On average, people that completed their first treatment had a difference of XX in violent criminal charges [w/ ongoing treatments as non-completion]"

t.test(violent_crime~factor(tr_comp),
charges_by_patients %>% 
  dplyr::left_join(dplyr::filter(CONS_C1_df_dup_SEP_2020[,c("hash_key","dup","fech_egres_imp","motivodeegreso_mod_imp")], dup==1), by=c("rut_enc_saf"="hash_key")) %>%
  #janitor::tabyl(motivodeegreso_mod_imp) %>% 
  #dplyr::filter(motivodeegreso_mod_imp!="Ongoing treatment") %>% 
  dplyr::mutate(tr_comp=ifelse(motivodeegreso_mod_imp=="Therapeutic discharge",1,0)))

    Welch Two Sample t-test

data:  violent_crime by factor(tr_comp)
t = 20.4, df = 22711, p-value < 0.00000000000000022
alternative hypothesis: true difference in means between group 0 and group 1 is not equal to 0
95 percent confidence interval:
 0.2544582 0.3085524
sample estimates:
mean in group 0 mean in group 1 
      1.1284284       0.8469231 

round(1.1284284-0.8469231,2) #0.28

## [1] 0.28

#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_
#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_
invisible("% cargos criminales con condena")
paste0("incarceration resulted in X% of the times vs. X%, respectively")

## [1] "incarceration resulted in X% of the times vs. X%, respectively"

t.test(tot_charges~factor(tr_comp),
charges_by_patients_perc_pena%>% 
  dplyr::left_join(dplyr::filter(CONS_C1_df_dup_SEP_2020[,c("hash_key","dup","fech_egres_imp","motivodeegreso_mod_imp")], dup==1), by=c("rut_enc_saf"="hash_key")) %>%
  #janitor::tabyl(motivodeegreso_mod_imp) %>% 
  dplyr::filter(motivodeegreso_mod_imp!="Ongoing treatment") %>% 
  dplyr::mutate(tr_comp=ifelse(motivodeegreso_mod_imp=="Therapeutic discharge",1,0)))

    Welch Two Sample t-test

data:  tot_charges by factor(tr_comp)
t = 10.867, df = 5972.8, p-value < 0.00000000000000022
alternative hypothesis: true difference in means between group 0 and group 1 is not equal to 0
95 percent confidence interval:
 0.3360057 0.4839218
sample estimates:
mean in group 0 mean in group 1 
       2.505486        2.095522 

paste0("Not completed treatment: ", scales::percent(2.505486/6.011362))

## [1] "Not completed treatment: 42%"

paste0("Completed treatment: ", scales::percent(2.095522/4.215663))

## [1] "Completed treatment: 50%"

t.test(tot_charges~factor(tr_comp),
charges_by_patients_perc_pena%>% 
  dplyr::left_join(dplyr::filter(CONS_C1_df_dup_SEP_2020[,c("hash_key","dup","fech_egres_imp","motivodeegreso_mod_imp")], dup==1), by=c("rut_enc_saf"="hash_key")) %>%
  #janitor::tabyl(motivodeegreso_mod_imp) %>% 
  #dplyr::filter(motivodeegreso_mod_imp!="Ongoing treatment") %>% 
  dplyr::mutate(tr_comp=ifelse(motivodeegreso_mod_imp=="Therapeutic discharge",1,0)))

    Welch Two Sample t-test

data:  tot_charges by factor(tr_comp)
t = 10.182, df = 5812.7, p-value < 0.00000000000000022
alternative hypothesis: true difference in means between group 0 and group 1 is not equal to 0
95 percent confidence interval:
 0.3078767 0.4546902
sample estimates:
mean in group 0 mean in group 1 
       2.476806        2.095522 

print("w/ ongoing treatments")

## [1] "w/ ongoing treatments"

paste0("Not completed treatment: ", scales::percent(2.476806/5.877325))

## [1] "Not completed treatment: 42%"

paste0("Completed treatment: ", scales::percent(2.095522/4.215663))

## [1] "Completed treatment: 50%"

invisible("% cargos criminales violentos con condena")
t.test(violent_crime~factor(tr_comp),
charges_by_patients_perc_pena%>% 
  dplyr::left_join(dplyr::filter(CONS_C1_df_dup_SEP_2020[,c("hash_key","dup","fech_egres_imp","motivodeegreso_mod_imp")], dup==1), by=c("rut_enc_saf"="hash_key")) %>%
  #janitor::tabyl(motivodeegreso_mod_imp) %>% 
  dplyr::filter(motivodeegreso_mod_imp!="Ongoing treatment") %>% 
  dplyr::mutate(tr_comp=ifelse(motivodeegreso_mod_imp=="Therapeutic discharge",1,0)))

    Welch Two Sample t-test

data:  violent_crime by factor(tr_comp)
t = 8.3303, df = 6000.6, p-value < 0.00000000000000022
alternative hypothesis: true difference in means between group 0 and group 1 is not equal to 0
95 percent confidence interval:
 0.06268207 0.10126311
sample estimates:
mean in group 0 mean in group 1 
      0.3563281       0.2743555 

# mean in group 0 mean in group 1 
#        2.476806        2.095522 
paste0("Not completed treatment: ", scales::percent(0.3563281/1.1451374))

## [1] "Not completed treatment: 31%"

paste0("Completed treatment: ", scales::percent(0.2743555 /0.8469231))

## [1] "Completed treatment: 32%"

t.test(violent_crime~factor(tr_comp),
charges_by_patients_perc_pena%>% 
  dplyr::left_join(dplyr::filter(CONS_C1_df_dup_SEP_2020[,c("hash_key","dup","fech_egres_imp","motivodeegreso_mod_imp")], dup==1), by=c("rut_enc_saf"="hash_key")) %>%
  #janitor::tabyl(motivodeegreso_mod_imp) %>% 
  #dplyr::filter(motivodeegreso_mod_imp!="Ongoing treatment") %>% 
  dplyr::mutate(tr_comp=ifelse(motivodeegreso_mod_imp=="Therapeutic discharge",1,0)))

    Welch Two Sample t-test

data:  violent_crime by factor(tr_comp)
t = 8.1931, df = 5853.3, p-value = 0.0000000000000003099
alternative hypothesis: true difference in means between group 0 and group 1 is not equal to 0
95 percent confidence interval:
 0.06091133 0.09922801
sample estimates:
mean in group 0 mean in group 1 
      0.3544252       0.2743555 

print("w/ ongoing treatments")

## [1] "w/ ongoing treatments"

paste0("Not completed treatment: ", scales::percent(0.3544252/1.1284284))

## [1] "Not completed treatment: 31%"

paste0("Completed treatment: ", scales::percent(0.2743555 /0.8469231))

## [1] "Completed treatment: 32%"

#round(6.011362-4.215663,2) #1.8 && round(5.877325-4.215663,2) #1.66 && round(1.1451374-0.8469231,2) #0.3 && round(1.1284284-0.8469231,2) #0.28

#_#_#_#_#_#_#_#_#_#_#_

# charges_by_patients %>% 
#     dplyr::left_join(dplyr::filter(CONS_C1_df_dup_SEP_2020[,c("hash_key","dup","fech_egres_imp","motivodeegreso_mod_imp")], dup==1), by=c("rut_enc_saf"="hash_key")) 

#_#_#_#_#_#_#_#_#_#_#_
#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_
#_#_#_#_#_#_#_#_#_#_#_

#casos con +1 relación --> si siempre hay sólo una sentencia o una pena, para ver si tiene sentido agrupar hasta casi relación o si no sólo por RUC

charges_by_patients2<-
Base_fiscalia_v2 %>% 
      dplyr::filter(gls_mottermino!="Anulación de ingreso error de digitación"|is.na(gls_mottermino)) %>% 
      dplyr::filter(rut_enc_saf %in% unique(CONS_C1_df_dup_SEP_2020$hash_key)) %>% 
      #563810
      dplyr::mutate(accused=dplyr::case_when(encontrado_como_victima=="SI" & encontrado_como_imputado=="SI"~"IMPUTADO", encontrado_como_victima=="NO" & encontrado_como_imputado=="SI"~"IMPUTADO", T~"VICTIMA")) %>% 
      dplyr::filter(accused=="IMPUTADO") %>% 
       #dplyr::slice(1:10000) %>% 
      dplyr::distinct(rut_enc_saf, ruc, gls_materia, .keep_all = T) %>% 
      dplyr::mutate(familia_delito_rec=dplyr::case_when(grepl("LESA HUMANIDAD",familia_delito)~"VIOLENT CRIME",
                                                        grepl("SEXUALES",familia_delito)~"VIOLENT CRIME",
                                                        grepl("ROBOS$",familia_delito)~"VIOLENT CRIME",
                                                        grepl("LESIONES$",familia_delito)~"VIOLENT CRIME",
                                                        grepl("HOMICIDIOS$",familia_delito)~"VIOLENT CRIME",
                                                        grepl("DROGAS$",familia_delito)~"DRUG-RELATED CRIME",
                                                        grepl("RELEVANCIA",familia_delito)& grepl("DROGAS",gls_materia)~"DRUG-RELATED CRIME",
                                                        grepl("RELEVANCIA",familia_delito)& grepl("PRESUNTA",gls_materia)~"VIOLENT CRIME",
                                                        grepl("RELEVANCIA",familia_delito)& grepl("MUERTES",gls_materia)~"VIOLENT CRIME",
                                                        T~"OTHER CHARGES")) %>% 
  dplyr::ungroup() %>% 
  dplyr::group_by(rut_enc_saf, ruc) %>% 
  dplyr::summarise(n_dis_pena= dplyr::n_distinct(clasificacion_pena_47)) %>% 
  dplyr::summarise(n_dis_pena= dplyr::n_distinct(clasificacion_pena_47))

if(no_mostrar==0){
charges_by_patients2 %>% 
    dplyr::filter(n_dis_pena>1)
  #0132d51e61c2c776cb2474011e232c87 0900581579-4
  #1f3eba4d3bce03d07b1b8e3d6f8179a0 0910018335-5
  
#Ejemplos
  Base_fiscalia_v2 %>% 
      dplyr::filter(gls_mottermino!="Anulación de ingreso error de digitación"|is.na(gls_mottermino)) %>% 
      dplyr::filter(rut_enc_saf %in% unique(CONS_C1_df_dup_SEP_2020$hash_key)) %>% 
      #563810
      dplyr::mutate(accused=dplyr::case_when(encontrado_como_victima=="SI" & encontrado_como_imputado=="SI"~"IMPUTADO", encontrado_como_victima=="NO" & encontrado_como_imputado=="SI"~"IMPUTADO", T~"VICTIMA")) %>% 
      dplyr::filter(accused=="IMPUTADO") %>% 
       #dplyr::slice(1:10000) %>% 
      dplyr::distinct(rut_enc_saf, ruc, gls_materia, .keep_all = T) %>% 
      dplyr::mutate(familia_delito_rec=dplyr::case_when(grepl("LESA HUMANIDAD",familia_delito)~"VIOLENT CRIME",
                                                        grepl("SEXUALES",familia_delito)~"VIOLENT CRIME",
                                                        grepl("ROBOS$",familia_delito)~"VIOLENT CRIME",
                                                        grepl("LESIONES$",familia_delito)~"VIOLENT CRIME",
                                                        grepl("HOMICIDIOS$",familia_delito)~"VIOLENT CRIME",
                                                        grepl("DROGAS$",familia_delito)~"DRUG-RELATED CRIME",
                                                        grepl("RELEVANCIA",familia_delito)& grepl("DROGAS",gls_materia)~"DRUG-RELATED CRIME",
                                                        grepl("RELEVANCIA",familia_delito)& grepl("PRESUNTA",gls_materia)~"VIOLENT CRIME",
                                                        grepl("RELEVANCIA",familia_delito)& grepl("MUERTES",gls_materia)~"VIOLENT CRIME",
                                                        T~"OTHER CHARGES")) %>% 
  dplyr::filter(rut_enc_saf=="1f3eba4d3bce03d07b1b8e3d6f8179a0", ruc=="0910018335-5") %>% View()
  
invisible(paste0("De 330,097 casos, sólo 3,618 obtuvieron más de 1 pena distinta (1,09%)"))
}

#_#_#_#_#_#_#_#_#_
if(no_mostrar==0){
 Base_fiscalia_v2 %>% 
      dplyr::filter(gls_mottermino!="Anulación de ingreso error de digitación"|is.na(gls_mottermino)) %>% 
      dplyr::filter(rut_enc_saf %in% unique(CONS_C1_df_dup_SEP_2020$hash_key)) %>% 
      #563810
      dplyr::mutate(accused=dplyr::case_when(encontrado_como_victima=="SI" & encontrado_como_imputado=="SI"~"IMPUTADO", encontrado_como_victima=="NO" & encontrado_como_imputado=="SI"~"IMPUTADO", T~"VICTIMA")) %>% 
      dplyr::filter(accused=="IMPUTADO") %>% 
      #dplyr::slice(1:10000) %>% 
      dplyr::distinct(rut_enc_saf, ruc, gls_materia, .keep_all = T) %>% 
      dplyr::mutate(familia_delito_rec=dplyr::case_when(grepl("LESA HUMANIDAD",familia_delito)~"VIOLENT CRIME",
                                                        grepl("SEXUALES",familia_delito)~"VIOLENT CRIME",
                                                        grepl("ROBOS$",familia_delito)~"VIOLENT CRIME",
                                                        grepl("LESIONES$",familia_delito)~"VIOLENT CRIME",
                                                        grepl("HOMICIDIOS$",familia_delito)~"VIOLENT CRIME",
                                                        grepl("DROGAS$",familia_delito)~"DRUG-RELATED CRIME",
                                                        grepl("RELEVANCIA",familia_delito)& grepl("DROGAS",gls_materia)~"DRUG-RELATED CRIME",
                                                        grepl("RELEVANCIA",familia_delito)& grepl("PRESUNTA",gls_materia)~"VIOLENT CRIME",
                                                        grepl("RELEVANCIA",familia_delito)& grepl("MUERTES",gls_materia)~"VIOLENT CRIME",
                                                        T~"OTHER CHARGES")) %>% 
  dplyr::distinct(rut_enc_saf, ruc, gls_materia, .keep_all = T) %>% 
  dplyr::ungroup() %>% 
  dplyr::group_by(rut_enc_saf, ruc) %>% 
  dplyr::mutate(n_dis_pena= dplyr::n_distinct(clasificacion_pena_47)) %>% 
   dplyr::ungroup() %>% 
  dplyr::filter(dplyr::case_when(n_dis_pena>1 & gls_mottermino!="Sentencia definitiva condenatoria"~F,
                   T ~ T)) %>% 
   dplyr::select(rut_enc_saf, ruc, gls_materia, n_dis_pena, gls_mottermino, fec_cbiorelacion) %>% 
   dplyr::group_by(rut_enc_saf, ruc) %>%
   dplyr::add_count(name="n_cases") %>% 
   dplyr::ungroup() %>%
   dplyr::filter(n_cases>1) %>% View()
invisible("Casos con el mismo RUT y RUC, pero con distinto motivo de término en el mismo caso, incluso habiendo echo el filtro")
}
 
 #350,660 
 
 
#_#_#_#_#_#_#_#_#_

      # dplyr::add_count(name="n_") %>% 
      # tidyr::pivot_wider(names_from= familia_delito_rec, values_from= n, values_fill= 0) %>% 
      # janitor::clean_names() %>%
      # dplyr::ungroup() %>%
      # dplyr::mutate(tot_charges=base::rowSums(dplyr::select(., 2:4)))

Codebook

knitr::opts_chunk$set(
  warning = TRUE, # show warnings during codebook generation
  message = TRUE, # show messages during codebook generation
  error = TRUE, # do not interrupt codebook generation in case of errors,
                # usually better for debugging
  echo = TRUE  # show R code
)
ggplot2::theme_set(ggplot2::theme_bw())
pander::panderOptions("table.split.table", Inf)

if(!require(codebook)){install.packages("codebook")}
if(!require(future)){install.packages("future")}

## Loading required package: future

## 
## Attaching package: 'future'

## The following object is masked from 'package:ggstatsplot':
## 
##     %<-%

## The following object is masked from 'package:caret':
## 
##     cluster

## The following objects are masked from 'package:igraph':
## 
##     %->%, %<-%

## The following object is masked from 'package:survival':
## 
##     cluster

if(!require(dplyr)){install.packages("dplyr")}

codebook_data <- dplyr::select(Base_fiscalia_v2, -c("rut_enc_saf","ruc","idrelacion","cod_delito","cod_lugarocurrencia","cod_parentescoimputado","cod_mottermino","cod_motsuspension","cod_proctermino","idsujeto_imputado","impcod_tiposujeto","cod_lugarocurrencia","cod_sitiosuceso","cod_comunadelito","cod_region", "iddelito"))

muestra=0
if(muestra==1){
# omit the following lines, if your missing values are already properly labelled
codebook_data <- detect_missing(codebook_data,
    only_labelled = TRUE, # only labelled values are autodetected as
                                   # missing
    negative_values_are_missing = FALSE, # negative values are missing values
    ninety_nine_problems = FALSE,   # 99/999 are missing values, if they
                                   # are more than 5 MAD from the median
    )
}
# If you are not using formr, the codebook package needs to guess which items
# form a scale. The following line finds item aggregates with names like this:
# scale = scale_1 + scale_2R + scale_3R
# identifying these aggregates allows the codebook function to
# automatically compute reliabilities.
# However, it will not reverse items automatically.
#codebook_data <- detect_scales(codebook_data)

In the following Tables and graphics, there is a summary of the variables and documentation of their characteristics. This high-level summary may permit us find errors on coding, help us to understand missingness and guide us towards an objective, or lead us to more questions. If a variable contains the symbol (*), it means that this variable has a concatenation of values among continuous entries in treatments.

  metadata(codebook_data)$name <- "Prosecutor Support System (SAF), database of the Public Prosecutor's Office."
  metadata(codebook_data)$description <- "The information was extracted and processed from the Prosecutor Support System (SAF) database in accordance with the criteria established in the methodological document 'Criteria for Extracting Information from the SAF - 11_04_2018', prepared and updated in 2018 by the Studies, Evaluation, Control and Management Development Division. Data obtained at 2021-08-13; Period= 2010 to 2019; Unit of measurement= Relationships; Offenses considered= All; Date to consider= Date of termination of the case; National Coverage; Detail or summary= Detail; In the search for victims, only direct victims were considered; The RUTs indicated are searched only in cases terminated or suspended in the period 2010 - 2019;
The following types of accused are considered: COMPLAINED, ACCUSED, QUERELLED, WITNESS, SUSPECTED AND INVESTIGATED"

codebook(codebook_data)

Metadata

Description

Dataset name: Prosecutor Support System (SAF), database of the Public Prosecutor’s Office.

The information was extracted and processed from the Prosecutor Support System (SAF) database in accordance with the criteria established in the methodological document ‘Criteria for Extracting Information from the SAF - 11_04_2018’, prepared and updated in 2018 by the Studies, Evaluation, Control and Management Development Division. Data obtained at 2021-08-13; Period= 2010 to 2019; Unit of measurement= Relationships; Offenses considered= All; Date to consider= Date of termination of the case; National Coverage; Detail or summary= Detail; In the search for victims, only direct victims were considered; The RUTs indicated are searched only in cases terminated or suspended in the period 2010 - 2019; The following types of accused are considered: COMPLAINED, ACCUSED, QUERELLED, WITNESS, SUSPECTED AND INVESTIGATED

Metadata for search engines

• Date published: 2022-03-16

x fec_nacimiento pais sexo encontrado_como_victima encontrado_como_imputado tipo_sujeto_vic gls_tipo_sujeto_vic idsujeto_victima reg gls_region tipo_termino agrupa_terminos gls_materia familia_delito relacion_vifsaf gls_parentesco gls_mottermino gls_motsuspension gls_proctermino gls_tipo_imputado fec_comision termino_relacion lugar_ocurrencia gls_sitiosuceso gls_comuna region_delito fec_cbiorelacion medidas_155 medidas_pp medidas_ip marca_suspension_43 marca_pena_44 marca_multa_45 medida_alternativa_46 clasificacion_pena_47 tramos_condena_48 clasificacion_penarpa_1_49 clasificacion_penarpa_2_50 marca_suspension_51 marca_pena_52 marca_multa_53 medida_alternativa_54 clasificacion_pena_55 tramos_condena_56 clasificacion_penarpa_1_57 clasificacion_penarpa_2_58 fec_comision_simple fec_cbiorelacion_simple fec_nacimiento_simple termino_relacion_simple edad_comision edad_ter_rel

#Variables

fec_nacimiento

Distribution

Distribution of values for fec_nacimiento

0 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	empty	min	max	whitespace	label
fec_nacimiento	character	0	1	16430	0	19	19	0

pais

Distribution

Distribution of values for pais

0 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	empty	min	max	whitespace	label
pais	character	0	1	20	0	4	20	0

sexo

Distribution

Distribution of values for sexo

0 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	empty	min	max	whitespace	label
sexo	character	0	1	3	0	8	11	0

encontrado_como_victima

Distribution

Distribution of values for encontrado_como_victima

0 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	empty	min	max	whitespace	label
encontrado_como_victima	character	0	1	2	0	2	2	0

encontrado_como_imputado

Distribution

Distribution of values for encontrado_como_imputado

0 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	empty	min	max	whitespace	label
encontrado_como_imputado	character	0	1	2	0	2	2	0

tipo_sujeto_vic

Distribution

Distribution of values for tipo_sujeto_vic

18053 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	empty	min	max	whitespace	label
tipo_sujeto_vic	character	18053	0.9682332	8	0	1	2	0

gls_tipo_sujeto_vic

Distribution

Distribution of values for gls_tipo_sujeto_vic

18053 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	empty	min	max	whitespace	label
gls_tipo_sujeto_vic	character	18053	0.9682332	8	0	7	19	0

idsujeto_victima

Distribution

Distribution of values for idsujeto_victima

0 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	min	median	max	mean	sd	hist	label
idsujeto_victima	numeric	0	1	0	48183970	84105717	47784904	17843954	<U+2581><U+2585><U+2587><U+2587><U+2585>

reg

Distribution

Distribution of values for reg

0 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	min	median	max	mean	sd	hist	label
reg	numeric	0	1	1	11	20	10.69546	5.481066	<U+2583><U+2587><U+2582><U+2587><U+2583>

gls_region

Distribution

Distribution of values for gls_region

0 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	empty	min	max	whitespace	label
gls_region	character	0	1	19	0	6	50	0

tipo_termino

Distribution

Distribution of values for tipo_termino

21 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	empty	min	max	whitespace	label
tipo_termino	character	21	0.999963	3	0	14	18	0

agrupa_terminos

Distribution

Distribution of values for agrupa_terminos

21 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	empty	min	max	whitespace	label
agrupa_terminos	character	21	0.999963	16	0	13	40	0

gls_materia

Distribution

Distribution of values for gls_materia

0 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	empty	min	max	whitespace	label
gls_materia	character	0	1	354	0	7	60	0

familia_delito

Distribution

Distribution of values for familia_delito

0 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	empty	min	max	whitespace	label
familia_delito	character	0	1	21	0	5	60	0

relacion_vifsaf

Distribution

Distribution of values for relacion_vifsaf

0 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	empty	min	max	whitespace	label
relacion_vifsaf	character	0	1	2	0	2	2	0

gls_parentesco

Distribution

Distribution of values for gls_parentesco

452460 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	empty	min	max	whitespace	label
gls_parentesco	character	452460	0.2038318	25	0	5	28	0

gls_mottermino

Distribution

Distribution of values for gls_mottermino

10353 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	empty	min	max	whitespace	label
gls_mottermino	character	10353	0.9817824	25	0	8	40	0

gls_motsuspension

Distribution

Distribution of values for gls_motsuspension

493206 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	empty	min	max	whitespace	label
gls_motsuspension	character	493206	0.1321334	5	0	19	40	0

gls_proctermino

Distribution

Distribution of values for gls_proctermino

0 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	empty	min	max	whitespace	label
gls_proctermino	character	0	1	7	0	7	27	0

gls_tipo_imputado

Distribution

Distribution of values for gls_tipo_imputado

0 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	empty	min	max	whitespace	label
gls_tipo_imputado	character	0	1	6	0	7	11	0

fec_comision

Distribution

## 342509  unique, categorical values, so not shown.

0 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	min	median	max	label
fec_comision	POSIXct	0	1	342509	1900-01-01	2014-04-22 18:30:00	2019-12-31 06:00:00

termino_relacion

Distribution

## 4346  unique, categorical values, so not shown.

21 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	min	median	max	label
termino_relacion	POSIXct	21	0.999963	4346	2002-10-24	2014-11-13	2021-07-20

lugar_ocurrencia

Distribution

Distribution of values for lugar_ocurrencia

3866 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	empty	min	max	whitespace	label
lugar_ocurrencia	character	3866	0.9931972	9	0	25	61	0

gls_sitiosuceso

Distribution

Distribution of values for gls_sitiosuceso

4803 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	empty	min	max	whitespace	label
gls_sitiosuceso	character	4803	0.9915484	54	0	3	32	0

gls_comuna

Distribution

Distribution of values for gls_comuna

1048 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	empty	min	max	whitespace	label
gls_comuna	character	1048	0.9981559	346	0	4	20	0

region_delito

Distribution

Distribution of values for region_delito

1048 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	empty	min	max	whitespace	label
region_delito	character	1048	0.9981559	21	0	6	50	0

fec_cbiorelacion

Distribution

## 43966  unique, categorical values, so not shown.

0 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	min	median	max	label
fec_cbiorelacion	POSIXct	0	1	43966	2002-10-24	2014-11-13	2021-07-20

medidas_155

Distribution

Distribution of values for medidas_155

510920 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	empty	min	max	whitespace	label
medidas_155	character	510920	0.1009631	1	0	2	2	0

medidas_pp

Distribution

Distribution of values for medidas_pp

546001 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	empty	min	max	whitespace	label
medidas_pp	character	546001	0.039233	1	0	2	2	0

medidas_ip

Distribution

Distribution of values for medidas_ip

567564 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	empty	min	max	whitespace	label
medidas_ip	character	567564	0.0012898	1	0	2	2	0

marca_suspension_43

Distribution

Distribution of values for marca_suspension_43

498761 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	empty	min	max	whitespace	label
marca_suspension_43	character	498761	0.1223586	2	0	2	2	0

marca_pena_44

Distribution

Distribution of values for marca_pena_44

498761 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	empty	min	max	whitespace	label
marca_pena_44	character	498761	0.1223586	1	0	2	2	0

marca_multa_45

Distribution

Distribution of values for marca_multa_45

498761 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	empty	min	max	whitespace	label
marca_multa_45	character	498761	0.1223586	2	0	2	2	0

medida_alternativa_46

Distribution

Distribution of values for medida_alternativa_46

527687 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	empty	min	max	whitespace	label
medida_alternativa_46	character	527687	0.0714591	4	0	4	20	0

clasificacion_pena_47

Distribution

Distribution of values for clasificacion_pena_47

498761 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	empty	min	max	whitespace	label
clasificacion_pena_47	character	498761	0.1223586	9	0	7	28	0

tramos_condena_48

Distribution

Distribution of values for tramos_condena_48

564619 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	empty	min	max	whitespace	label
tramos_condena_48	character	564619	0.006472	5	0	15	23	0

clasificacion_penarpa_1_49

Distribution

Distribution of values for clasificacion_penarpa_1_49

564614 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	empty	min	max	whitespace	label
clasificacion_penarpa_1_49	character	564614	0.0064808	8	0	5	53	0

clasificacion_penarpa_2_50

Distribution

Distribution of values for clasificacion_penarpa_2_50

568178 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	empty	min	max	whitespace	label
clasificacion_penarpa_2_50	character	568178	0.0002094	4	0	17	53	0

marca_suspension_51

Distribution

Distribution of values for marca_suspension_51

568220 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	empty	min	max	whitespace	label
marca_suspension_51	character	568220	0.0001355	2	0	2	2	0

marca_pena_52

Distribution

Distribution of values for marca_pena_52

568220 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	empty	min	max	whitespace	label
marca_pena_52	character	568220	0.0001355	1	0	2	2	0

marca_multa_53

Distribution

Distribution of values for marca_multa_53

568220 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	empty	min	max	whitespace	label
marca_multa_53	character	568220	0.0001355	2	0	2	2	0

medida_alternativa_54

Distribution

Distribution of values for medida_alternativa_54

568252 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	empty	min	max	whitespace	label
medida_alternativa_54	character	568252	0.0000792	4	0	4	20	0

clasificacion_pena_55

Distribution

Distribution of values for clasificacion_pena_55

568220 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	empty	min	max	whitespace	label
clasificacion_pena_55	character	568220	0.0001355	6	0	7	27	0

tramos_condena_56

Distribution

## Error in if (stats::median(table(x)) == 1) {: valor ausente donde TRUE/FALSE es necesario

## No non-missing values to show.

568297 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	count	label
tramos_condena_56	logical	568297	0	:

clasificacion_penarpa_1_57

Distribution

## Error in if (stats::median(table(x)) == 1) {: valor ausente donde TRUE/FALSE es necesario

## No non-missing values to show.

568297 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	count	label
clasificacion_penarpa_1_57	logical	568297	0	:

clasificacion_penarpa_2_58

Distribution

## Error in if (stats::median(table(x)) == 1) {: valor ausente donde TRUE/FALSE es necesario

## No non-missing values to show.

568297 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	count	label
clasificacion_penarpa_2_58	logical	568297	0	:

fec_comision_simple

Distribution

## 5574  unique, categorical values, so not shown.

0 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	min	median	max	label
fec_comision_simple	Date	0	1	5574	1900-01-01	2014-04-22	2019-12-31

fec_cbiorelacion_simple

Distribution

## 4346  unique, categorical values, so not shown.

0 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	min	median	max	label
fec_cbiorelacion_simple	Date	0	1	4346	2002-10-24	2014-11-13	2021-07-20

fec_nacimiento_simple

Distribution

## 16430  unique, categorical values, so not shown.

0 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	min	median	max	label
fec_nacimiento_simple	Date	0	1	16430	1855-09-14	1982-10-13	2016-07-29

termino_relacion_simple

Distribution

## 4346  unique, categorical values, so not shown.

21 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	n_unique	min	median	max	label
termino_relacion_simple	Date	21	0.999963	4346	2002-10-24	2014-11-13	2021-07-20

edad_comision

Distribution

Distribution of values for edad_comision

0 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	min	median	max	mean	sd	hist	label
edad_comision	numeric	0	1	-101	32	160	34.61056	16.16035	<U+2581><U+2581><U+2587><U+2581><U+2581>

edad_ter_rel

Distribution

Distribution of values for edad_ter_rel

21 missing values.

Summary statistics

name	data_type	n_missing	complete_rate	min	median	max	mean	sd	hist	label
edad_ter_rel	numeric	21	0.999963	-2.3	32	160	35.22007	15.98832	<U+2586><U+2587><U+2581><U+2581><U+2581>

Missingness report

Codebook table

JSON-LD metadata

The following JSON-LD can be found by search engines, if you share this codebook publicly on the web.

{
  "name": "Prosecutor Support System (SAF), database of the Public Prosecutor's Office.",
  "description": "The information was extracted and processed from the Prosecutor Support System (SAF) database in accordance with the criteria established in the methodological document 'Criteria for Extracting Information from the SAF - 11_04_2018', prepared and updated in 2018 by the Studies, Evaluation, Control and Management Development Division. Data obtained at 2021-08-13; Period= 2010 to 2019; Unit of measurement= Relationships; Offenses considered= All; Date to consider= Date of termination of the case; National Coverage; Detail or summary= Detail; In the search for victims, only direct victims were considered; The RUTs indicated are searched only in cases terminated or suspended in the period 2010 - 2019;\nThe following types of accused are considered: COMPLAINED, ACCUSED, QUERELLED, WITNESS, SUSPECTED AND INVESTIGATED\n\n\n## Table of variables\nThis table contains variable names, labels, and number of missing values.\nSee the complete codebook for more.\n\n|name                       |label | n_missing|\n|:--------------------------|:-----|---------:|\n|fec_nacimiento             |      |         0|\n|pais                       |      |         0|\n|sexo                       |      |         0|\n|encontrado_como_victima    |      |         0|\n|encontrado_como_imputado   |      |         0|\n|tipo_sujeto_vic            |      |     18053|\n|gls_tipo_sujeto_vic        |      |     18053|\n|idsujeto_victima           |      |         0|\n|reg                        |      |         0|\n|gls_region                 |      |         0|\n|tipo_termino               |      |        21|\n|agrupa_terminos            |      |        21|\n|gls_materia                |      |         0|\n|familia_delito             |      |         0|\n|relacion_vifsaf            |      |         0|\n|gls_parentesco             |      |    452460|\n|gls_mottermino             |      |     10353|\n|gls_motsuspension          |      |    493206|\n|gls_proctermino            |      |         0|\n|gls_tipo_imputado          |      |         0|\n|fec_comision               |      |         0|\n|termino_relacion           |      |        21|\n|lugar_ocurrencia           |      |      3866|\n|gls_sitiosuceso            |      |      4803|\n|gls_comuna                 |      |      1048|\n|region_delito              |      |      1048|\n|fec_cbiorelacion           |      |         0|\n|medidas_155                |      |    510920|\n|medidas_pp                 |      |    546001|\n|medidas_ip                 |      |    567564|\n|marca_suspension_43        |      |    498761|\n|marca_pena_44              |      |    498761|\n|marca_multa_45             |      |    498761|\n|medida_alternativa_46      |      |    527687|\n|clasificacion_pena_47      |      |    498761|\n|tramos_condena_48          |      |    564619|\n|clasificacion_penarpa_1_49 |      |    564614|\n|clasificacion_penarpa_2_50 |      |    568178|\n|marca_suspension_51        |      |    568220|\n|marca_pena_52              |      |    568220|\n|marca_multa_53             |      |    568220|\n|medida_alternativa_54      |      |    568252|\n|clasificacion_pena_55      |      |    568220|\n|tramos_condena_56          |      |    568297|\n|clasificacion_penarpa_1_57 |      |    568297|\n|clasificacion_penarpa_2_58 |      |    568297|\n|fec_comision_simple        |      |         0|\n|fec_cbiorelacion_simple    |      |         0|\n|fec_nacimiento_simple      |      |         0|\n|termino_relacion_simple    |      |        21|\n|edad_comision              |      |         0|\n|edad_ter_rel               |      |        21|\n\n### Note\nThis dataset was automatically described using the [codebook R package](https://rubenarslan.github.io/codebook/) (version 0.9.2).",
  "datePublished": "2022-03-16",
  "keywords": ["fec_nacimiento", "pais", "sexo", "encontrado_como_victima", "encontrado_como_imputado", "tipo_sujeto_vic", "gls_tipo_sujeto_vic", "idsujeto_victima", "reg", "gls_region", "tipo_termino", "agrupa_terminos", "gls_materia", "familia_delito", "relacion_vifsaf", "gls_parentesco", "gls_mottermino", "gls_motsuspension", "gls_proctermino", "gls_tipo_imputado", "fec_comision", "termino_relacion", "lugar_ocurrencia", "gls_sitiosuceso", "gls_comuna", "region_delito", "fec_cbiorelacion", "medidas_155", "medidas_pp", "medidas_ip", "marca_suspension_43", "marca_pena_44", "marca_multa_45", "medida_alternativa_46", "clasificacion_pena_47", "tramos_condena_48", "clasificacion_penarpa_1_49", "clasificacion_penarpa_2_50", "marca_suspension_51", "marca_pena_52", "marca_multa_53", "medida_alternativa_54", "clasificacion_pena_55", "tramos_condena_56", "clasificacion_penarpa_1_57", "clasificacion_penarpa_2_58", "fec_comision_simple", "fec_cbiorelacion_simple", "fec_nacimiento_simple", "termino_relacion_simple", "edad_comision", "edad_ter_rel"],
  "@context": "http://schema.org/",
  "@type": "Dataset",
  "variableMeasured": [
    {
      "name": "fec_nacimiento",
      "@type": "propertyValue"
    },
    {
      "name": "pais",
      "@type": "propertyValue"
    },
    {
      "name": "sexo",
      "@type": "propertyValue"
    },
    {
      "name": "encontrado_como_victima",
      "@type": "propertyValue"
    },
    {
      "name": "encontrado_como_imputado",
      "@type": "propertyValue"
    },
    {
      "name": "tipo_sujeto_vic",
      "@type": "propertyValue"
    },
    {
      "name": "gls_tipo_sujeto_vic",
      "@type": "propertyValue"
    },
    {
      "name": "idsujeto_victima",
      "@type": "propertyValue"
    },
    {
      "name": "reg",
      "@type": "propertyValue"
    },
    {
      "name": "gls_region",
      "@type": "propertyValue"
    },
    {
      "name": "tipo_termino",
      "@type": "propertyValue"
    },
    {
      "name": "agrupa_terminos",
      "@type": "propertyValue"
    },
    {
      "name": "gls_materia",
      "@type": "propertyValue"
    },
    {
      "name": "familia_delito",
      "@type": "propertyValue"
    },
    {
      "name": "relacion_vifsaf",
      "@type": "propertyValue"
    },
    {
      "name": "gls_parentesco",
      "@type": "propertyValue"
    },
    {
      "name": "gls_mottermino",
      "@type": "propertyValue"
    },
    {
      "name": "gls_motsuspension",
      "@type": "propertyValue"
    },
    {
      "name": "gls_proctermino",
      "@type": "propertyValue"
    },
    {
      "name": "gls_tipo_imputado",
      "@type": "propertyValue"
    },
    {
      "name": "fec_comision",
      "@type": "propertyValue"
    },
    {
      "name": "termino_relacion",
      "@type": "propertyValue"
    },
    {
      "name": "lugar_ocurrencia",
      "@type": "propertyValue"
    },
    {
      "name": "gls_sitiosuceso",
      "@type": "propertyValue"
    },
    {
      "name": "gls_comuna",
      "@type": "propertyValue"
    },
    {
      "name": "region_delito",
      "@type": "propertyValue"
    },
    {
      "name": "fec_cbiorelacion",
      "@type": "propertyValue"
    },
    {
      "name": "medidas_155",
      "@type": "propertyValue"
    },
    {
      "name": "medidas_pp",
      "@type": "propertyValue"
    },
    {
      "name": "medidas_ip",
      "@type": "propertyValue"
    },
    {
      "name": "marca_suspension_43",
      "@type": "propertyValue"
    },
    {
      "name": "marca_pena_44",
      "@type": "propertyValue"
    },
    {
      "name": "marca_multa_45",
      "@type": "propertyValue"
    },
    {
      "name": "medida_alternativa_46",
      "@type": "propertyValue"
    },
    {
      "name": "clasificacion_pena_47",
      "@type": "propertyValue"
    },
    {
      "name": "tramos_condena_48",
      "@type": "propertyValue"
    },
    {
      "name": "clasificacion_penarpa_1_49",
      "@type": "propertyValue"
    },
    {
      "name": "clasificacion_penarpa_2_50",
      "@type": "propertyValue"
    },
    {
      "name": "marca_suspension_51",
      "@type": "propertyValue"
    },
    {
      "name": "marca_pena_52",
      "@type": "propertyValue"
    },
    {
      "name": "marca_multa_53",
      "@type": "propertyValue"
    },
    {
      "name": "medida_alternativa_54",
      "@type": "propertyValue"
    },
    {
      "name": "clasificacion_pena_55",
      "@type": "propertyValue"
    },
    {
      "name": "tramos_condena_56",
      "@type": "propertyValue"
    },
    {
      "name": "clasificacion_penarpa_1_57",
      "@type": "propertyValue"
    },
    {
      "name": "clasificacion_penarpa_2_58",
      "@type": "propertyValue"
    },
    {
      "name": "fec_comision_simple",
      "@type": "propertyValue"
    },
    {
      "name": "fec_cbiorelacion_simple",
      "@type": "propertyValue"
    },
    {
      "name": "fec_nacimiento_simple",
      "@type": "propertyValue"
    },
    {
      "name": "termino_relacion_simple",
      "@type": "propertyValue"
    },
    {
      "name": "edad_comision",
      "@type": "propertyValue"
    },
    {
      "name": "edad_ter_rel",
      "@type": "propertyValue"
    }
  ]
}`

Session Info

Sys.getenv("R_LIBS_USER")

## [1] "C:/Users/CISS Fondecyt/Mi unidad/Alvacast/SISTRAT 2022 (github)/renv/library/R-4.1/x86_64-w64-mingw32;C:/Program Files/R/R-4.1.2/library"

rstudioapi::getSourceEditorContext()

## Document Context: 
## - id:        '0A11E429'
## - path:      'C:/Users/CISS Fondecyt/Mi unidad/Alvacast/SISTRAT 2019 (github)/SUD_CL/Fiscalia_merge.Rmd'
## - contents:  <1721 rows>
## Document Selection:
## - [459, 1] -- [459, 1]: ''

#save.image("G:/Mi unidad/Alvacast/SISTRAT 2019 (github)/mult_state_carla.RData")

if (grepl("CISS Fondecyt",rstudioapi::getSourceEditorContext()$path)==T){
    save.image("C:/Users/CISS Fondecyt/Mi unidad/Alvacast/SISTRAT 2019 (github)/10.RData")
  } else if (grepl("andre",rstudioapi::getSourceEditorContext()$path)==T){
    save.image("C:/Users/andre/Desktop/SUD_CL/10.RData")
  } else if (grepl("E:",rstudioapi::getSourceEditorContext()$path)==T){
    save.image("E:/Mi unidad/Alvacast/SISTRAT 2019 (github)/10.RData")
  } else {
    save.image(paste0(sub("SUD_CL","",path),"10.RData"))
  }

sessionInfo()

## R version 4.1.2 (2021-11-01)
## Platform: x86_64-w64-mingw32/x64 (64-bit)
## Running under: Windows 10 x64 (build 19042)
## 
## Matrix products: default
## 
## locale:
## [1] LC_COLLATE=Spanish_Chile.1252  LC_CTYPE=Spanish_Chile.1252   
## [3] LC_MONETARY=Spanish_Chile.1252 LC_NUMERIC=C                  
## [5] LC_TIME=Spanish_Chile.1252    
## 
## attached base packages:
## [1] stats     graphics  grDevices utils     datasets  methods   base     
## 
## other attached packages:
##  [1] future_1.24.0       ggrepel_0.9.1       readxl_1.3.1       
##  [4] job_0.3.0           compareGroups_4.5.1 sjPlot_2.8.10      
##  [7] explore_0.8.0       daff_0.3.5          ggside_0.2.0       
## [10] ggstatsplot_0.9.1   flextable_0.7.0     ClusterR_1.2.6     
## [13] gtools_3.9.2        polycor_0.8-1       caret_6.0-90       
## [16] rpivotTable_0.3.0   Metrics_0.1.4       muhaz_1.2.6.4      
## [19] flexsurv_2.1        mstate_0.3.2        DiagrammeR_1.0.9   
## [22] Amelia_1.8.0        Rcpp_1.0.8          igraph_1.2.11      
## [25] eha_2.9.0           cobalt_4.3.2        tableone_0.13.0    
## [28] stargazer_5.2.3     reshape2_1.4.4      foreign_0.8-81     
## [31] survMisc_0.5.5      ggfortify_0.4.14    survminer_0.4.9    
## [34] ggpubr_0.4.0        epiR_2.0.43         forcats_0.5.1      
## [37] purrr_0.3.4         readr_2.1.2         tibble_3.1.6       
## [40] tidyverse_1.3.1     dplyr_1.0.8         treemapify_2.5.5   
## [43] sf_1.0-7            ggiraph_0.8.2       finalfit_1.0.4     
## [46] lsmeans_2.30-0      emmeans_1.7.2       RColorBrewer_1.1-2 
## [49] panelr_0.7.6        lme4_1.1-28         Matrix_1.3-4       
## [52] data.table_1.14.2   codebook_0.9.2      devtools_2.4.3     
## [55] usethis_2.1.5       sqldf_0.4-11        RSQLite_2.2.10     
## [58] gsubfn_0.7          proto_1.0.0         broom_0.7.12       
## [61] zoo_1.8-9           rbokeh_0.5.2        janitor_2.1.0      
## [64] plotly_4.10.0       kableExtra_1.3.4    Hmisc_4.6-0        
## [67] Formula_1.2-4       survival_3.2-13     lattice_0.20-45    
## [70] ggplot2_3.3.5       stringr_1.4.0       stringi_1.7.6      
## [73] tidyr_1.2.0         knitr_1.37          matrixStats_0.61.0 
## [76] boot_1.3-28         withr_2.5.0         pacman_0.5.1       
## 
## loaded via a namespace (and not attached):
##   [1] svglite_2.1.0          class_7.3-19           ps_1.6.0              
##   [4] foreach_1.5.2          rprojroot_2.0.2        crayon_1.5.0          
##   [7] V8_4.1.0               MASS_7.3-54            nlme_3.1-153          
##  [10] backports_1.4.1        reprex_2.0.1           rlang_1.0.2           
##  [13] performance_0.8.0      nloptr_2.0.0           callr_3.7.0           
##  [16] bit64_4.0.5            glue_1.6.2             parallel_4.1.2        
##  [19] processx_3.5.2         classInt_0.4-3         tcltk_4.1.2           
##  [22] haven_2.4.3            tidyselect_1.1.2       km.ci_0.5-2           
##  [25] sjmisc_2.8.9           mc2d_0.1-21            chron_2.3-56          
##  [28] xtable_1.8-4           magrittr_2.0.2         evaluate_0.15         
##  [31] gdtools_0.2.4          cli_3.2.0              rstudioapi_0.13       
##  [34] bslib_0.3.1            rpart_4.1-15           jtools_2.1.4          
##  [37] sjlabelled_1.1.8       maps_3.4.0             shiny_1.7.1           
##  [40] gistr_0.9.0            xfun_0.30              parameters_0.16.0     
##  [43] pkgbuild_1.3.1         cluster_2.1.2          WRS2_1.1-3            
##  [46] ggfittext_0.9.1        listenv_0.8.0          png_0.1-7             
##  [49] reshape_0.8.8          ipred_0.9-12           zeallot_0.1.0         
##  [52] plyr_1.8.6             cellranger_1.1.0       hardhat_0.2.0         
##  [55] e1071_1.7-9            pROC_1.18.0            survey_4.1-1          
##  [58] coda_0.19-4            pillar_1.7.0           cachem_1.0.6          
##  [61] fs_1.5.2               paletteer_1.4.0        vctrs_0.3.8           
##  [64] ellipsis_0.3.2         generics_0.1.2         lava_1.6.10           
##  [67] tools_4.1.2            munsell_0.5.0          proxy_0.4-26          
##  [70] fastmap_1.1.0          compiler_4.1.2         pkgload_1.2.4         
##  [73] abind_1.4-5            httpuv_1.6.5           sessioninfo_1.2.2     
##  [76] prodlim_2019.11.13     gridExtra_2.3          visNetwork_2.1.0      
##  [79] utf8_1.2.2             later_1.3.0            recipes_0.2.0         
##  [82] jsonlite_1.8.0         scales_1.1.1           carData_3.0-5         
##  [85] estimability_1.3       lazyeval_0.2.2         promises_1.2.0.1      
##  [88] car_3.0-12             latticeExtra_0.6-29    effectsize_0.6.0.1    
##  [91] checkmate_2.0.0        rmarkdown_2.12         webshot_0.5.2         
##  [94] pander_0.6.4           numDeriv_2016.8-1.1    yaml_2.3.5            
##  [97] systemfonts_1.0.4      htmltools_0.5.2        memoise_2.0.1         
## [100] quadprog_1.5-8         viridisLite_0.4.0      gmp_0.6-4             
## [103] digest_0.6.29          assertthat_0.2.1       mime_0.12             
## [106] repr_1.1.4             bayestestR_0.11.5      BiasedUrn_1.07        
## [109] KMsurv_0.1-5           units_0.8-0            future.apply_1.8.1    
## [112] remotes_2.4.2          blob_1.2.2             labeling_0.4.2        
## [115] deSolve_1.30           splines_4.1.2          rematch2_2.1.2        
## [118] hms_1.1.1              modelr_0.1.8           colorspace_2.0-3      
## [121] base64enc_0.1-3        nnet_7.3-16            sass_0.4.0            
## [124] mvtnorm_1.1-3          fansi_1.0.2            tzdb_0.2.0            
## [127] truncnorm_1.0-8        brio_1.1.3             parallelly_1.30.0     
## [130] ModelMetrics_1.2.2.2   R6_2.5.1               grid_4.1.2            
## [133] crul_1.2.0             lifecycle_1.0.1        labelled_2.9.0        
## [136] statsExpressions_1.3.0 writexl_1.4.0          zip_2.2.0             
## [139] datawizard_0.3.0       curl_4.3.2             ggsignif_0.6.3        
## [142] pryr_0.1.5             minqa_1.2.4            testthat_3.1.2        
## [145] jquerylib_0.1.4        snakecase_0.11.0       skimr_2.1.3           
## [148] desc_1.4.1             iterators_1.0.14       gower_1.0.0           
## [151] htmlwidgets_1.5.4      officer_0.4.1          crosstalk_1.2.0       
## [154] rvest_1.0.2            globals_0.14.0         insight_0.16.0        
## [157] htmlTable_2.4.0        patchwork_1.1.1        codetools_0.2-18      
## [160] lubridate_1.8.0        prettyunits_1.1.1      dbplyr_2.1.1          
## [163] correlation_0.8.0      gtable_0.3.0           DBI_1.1.2             
## [166] stats4_4.1.2           highr_0.9              httr_1.4.2            
## [169] KernSmooth_2.23-20     farver_2.1.0           uuid_1.0-3            
## [172] rmdpartials_0.5.8      hexbin_1.28.2          timeDate_3043.102     
## [175] mice_3.14.0            DT_0.21                xml2_1.3.3            
## [178] admisc_0.25            ggeffects_1.1.1        bit_4.0.4             
## [181] sjstats_0.18.1         jpeg_0.1-9             pkgconfig_2.0.3       
## [184] rstatix_0.7.0          HardyWeinberg_1.7.4    mitools_2.4           
## [187] Rsolnp_1.16            httpcode_0.3.0

Exportar

if(no_mostrar==0){
  codebook::var_label(surveymonkey_accionsalududp_df2_cor_sel_2) <-
  var_labels_df%>% 
    codebook::dict_to_list()
    
  attr(surveymonkey_accionsalududp_df2_cor_sel_2$rn,"label")<-'Número de Fila'  
    
  for (i in 1:length(surveymonkey_accionsalududp_df2_cor_table)){
      x<-names(surveymonkey_accionsalududp_df2_cor_table)[i]
      attr(surveymonkey_accionsalududp_df2_cor_sel_2[[x]],"label")<- attr(surveymonkey_accionsalududp_df2_cor_table[[x]],"label")
  
  var_labels_df<-data.frame()
  for (i in 1:length(surveymonkey_accionsalududp_df2_cor_sel_2)){
    x<-names(surveymonkey_accionsalududp_df2_cor_sel_2)[i]
  var_labels_df<-rbind.data.frame(var_labels_df, cbind(x, attr(surveymonkey_accionsalududp_df2_cor_sel_2[[x]],"label")))
    }
  }
}

  base_fiscalia %>% 
  dplyr::mutate(accused=dplyr::case_when(encontrado_como_victima=="SI" & encontrado_como_imputado=="SI"~"IMPUTADO",
                                 encontrado_como_victima=="NO" & encontrado_como_imputado=="SI"~"IMPUTADO",
                                 T~"VICTIMA")) %>% 
  dplyr::filter(accused=="VICTIMA") %>% 
    rio::export(file = paste0(gsub("SUD_CL","",path),"fiscalia_mariel_ago_2021.dta"))

## Error in as.character(x): cannot coerce type 'closure' to vector of type 'character'